编码模型新招：自己出题自己练，两个月反超闭源旗舰

训练一个能干活的模型，最贵的不是显卡，而是训练题。尤其是编码和智能体任务，光有题目和答案远远不够，还需要配套可运行的环境、判分测试，并防止模型抄袭旧提交。题目难度也需适中，过易或过难都无益于学习，且数量必须充足。过去这些工作高度依赖人工，慢、贵且供不应求。

今年8月，Ornith发布397B MoE、35B MoE和9B Dense三档权重，训练流程中新增了一个关键环节：模型自己生成训练任务、搭建解题脚手架、运行解题轨迹，并将这三段统一投入强化学习。在Terminal-Bench 2.1上，Ornith-1.5的397B版本得分86.1，较两个月前的1.0版本（77.5）提升8.6个百分点，甚至超过了其自测的Claude Opus 4.8（85.0）。

从“怎么解”到“该练什么”

6月的Ornith-1.0已经实现了将agent脚手架变为可学习对象，模型可以自行调整工具、任务拆解和重试策略。而1.5版本进一步将题目生成纳入闭环：系统根据代码库、高层任务说明和模型历史解题记录，生成比已会题目更难一档的新题，并为每题生成或改进专属脚手架，最终跑出解题轨迹，奖励反向传回全部三段，用GRPO优化。出题质量也被纳入评分，防止模型偷懒出送分题。

为了防止废题，任务奖励被拆分为有效性、前沿难度、新颖性三个相乘的信号。有效性是硬门槛，不合格直接判零；前沿难度通过采样轨迹计算经验成功率，目标值约0.2，即好题应让模型十次做成两次，难度随模型能力自动爬升；新颖性权重最低，仅负责去冗余。

自测成绩与官方榜单的差异

需要特别注意的是，86.1这个分数是Ornith团队自测结果（配置为4小时超时、32核CPU、48GB内存），而Terminal-Bench 2.1官方验证榜单（截至2026年8月19日共17项）中并没有Ornith-1.5。官方榜上Opus 4.8经核验为78.9%，榜首为Claude Code加Fable 5的83.8%。同一模型在不同测试条件下分数差异显著，自测与官方验证不可直接对比。此外，MIT许可仅指权重，GitHub仓库并未包含完整训练实现、任务集或可复现评测脚本。

小模型同样亮眼

除了旗舰版，35B-A3B MoE（激活约3B参数）在Terminal-Bench 2.1得分67.8，优于Gemma 4-31B（42.1）和Muse Glimmer-30B（51.7）；SWE-bench Verified为79.0对52.0。9B Dense自测Terminal-Bench 46.2、SWE-bench Verified 70.6、GPQA Diamond 86.4，但在工具调用类任务（如MCP-Atlas、Toolathlon-Verified）上不及Gemma 4-31B。

Ornith-1.5较1.0在Terminal-Bench提升约11.1%，核心变化是从学习“怎么解”转向学习“该练什么”，将数据生产纳入强化学习闭环。开放模型追赶闭源旗舰的方式，在堆参数和抄配方之外，新增了“自己造题”的路径。模型上限除算力外，还取决于题库质量。这一思路或许预示着，未来的模型竞争将不仅是算力和架构的比拼，更是“自我进化”能力的较量。