Ornith-1.5 gjør selvforbedrende kodeagenter til MIT-vekter

Ornith har lagt tre modeller ut som filer, ikke som et API-løfte. 19. august 2026 kom Ornith-1.5 i tre skalaer: 9B dense, 35B MoE med rundt 3 milliarder aktive parametere per token, og 397B MoE. Vektene, pluss FP8, GGUF, MLX og NVFP4, ligger på Hugging Face under MIT. Det er kommersiell bruk uten restriksjoner, og det er det som gjør saken operativ for innkjøp og arkitektur.

Det som selger lanseringen, er tabellen. Ornith-1.5-397B får 86,1 på Terminal-Bench 2.1 med Terminus-2-harness og 86 på SWE-bench Verified. I samme oppsett ligger Claude Opus 4.8 på 85,0 og 85,8. DeepSWE er 56 mot 59 for Opus og 67,5 for Kimi K3. Frontier-Bench v0.1 er 13,5 mot 21,1 for Opus. «På linje med Opus» gjelder altså utvalgte kodeharnesser. Det er ikke en full frontier-paritet.

Hva som faktisk ble sluppet

Familiens grunnlag er Ornith-1.0, bygd videre på Qwen3.5 og Gemma 4 med continued pretraining, mid-training og post-training. 1.5 utvider loopen: modellen foreslår nye oppgaver, lager oppgavespesifikke scaffolds og kjører solution-rollouts som belønning for RL. Teamet kaller det end-to-end selvforbedring. Oppgavene skal være gyldige, ligge nær evnegrensen og være nye nok til ikke å bli repetisjon.

Arkitekturen er konkret, og den koster:

• 397B MoE: rundt 800 GB i bf16. Anbefalt serving er 8-veis tensor parallel, for eksempel 8× H200 141 GB. Kontekst er 262 144 tokens, med YaRN opp mot rundt 1 million.
• 35B-A3B: rundt 70 GB i bf16, rundt 3B aktive per token. Anbefalt på 2× 80 GB-GPU for 256K-kontekst.
• 9B dense: rundt 19 GB i bf16, én 80 GB-GPU. En kvantisert mobilvariant er lagt ut for iPhone og Android.

Alle tre er resonneringsmodeller. Svaret åpner med en tenkeblokk før endelig output. Serving krever ferske runtimes: Transformers 5.8.1, vLLM 0.19.1 eller SGLang 0.5.9, pluss Qwen-tool- og reasoning-parser. For å gjenskape de rapporterte tallene brukes temperature 1,0. I vanlig bruk anbefales 0,6.

35B-A3B er den praktiske selvhost-kandidaten. Den scorer 68,5 på Terminal-Bench 2.1 med Claude Code-harness og 79 på SWE-bench Verified, foran Qwen3.6-35B-A3B (49,2 og 73,4) i Orniths tabell. 9B tar 47,0 og 70,6 på de samme to. Det er sterkt for størrelsen. Det er fortsatt leverandørens måling.

Tallene er detaljerte. De er ikke uavhengige.

Modellkortet er mer ærlig enn mange lanseringer. Resultatene er gjennomsnitt over fem kjøringer. SWE-bench er kjørt i OpenHands med git-historikk fjernet og nettverk slått av. Terminal-Bench krever justert Qwen-chatmal og en Harbor-endring mot vLLM sitt reasoning_content. HLE dømmes av Claude 4.6 Opus. MCP-Atlas dømmes av Claude 4.8 Opus. DeepSWE og en av Terminal-Bench-variantene bruker Claude Code 2.1.126 som harness.

Det er to konsekvenser. For det første kan tallene være reelle og likevel ikke overførbare til deres agentstakk. For det andre er «sammenligning mot Opus» delvis en sammenligning i Anthropics egne verktøy. En CISO skal lese det som metode, ikke som juks, og likevel kreve egen test.

Der gapet mot lukket frontier er størst, er det også mest ærlig. NL2Repo 59,5 mot Opus 69,7. Toolathlon-Verified 71,2 mot 76,2. GPQA Diamond 92,8 mot 93,6, altså jevnt. HLE uten verktøy 44,6 mot 49,8. Ornith slår GLM-5.2 og DeepSeek-V4-Flash-0731 på flere kode- og agentbenker i egen tabell, men Kimi K3 leder fortsatt på DeepSWE, BrowseComp og Frontier-Bench.

Lisensen er MIT. Det er den andre halvdelen av saken. En 397B-kodeagent som kan lastes ned, kvantiseres og kjøres uten avtaleregulert safety-lag, er en annen risikoklasse enn en API-modell med logging, ZDR og leverandørens bruksvilkår.

Tre beslutninger før noen setter den i stakken

• Skill størrelse fra narrativ. 397B er ikke lokal AI. 35B-A3B på to datagpuer er den realistiske on-prem-kandidaten. 9B er edge og laptop. Et MIT-merke på en 800 GB-fil løser ikke kapasitet, strøm eller patching.
• Kjør egen harness før innkjøp. Bruk de oppgavene dere faktisk betaler for: lang kodejobb, PR-review, sårbarhetsgjennomgang uten exploit-kjøring, sitering. Mål treff, tokenbruk og om agenten holder seg innenfor verktøypolicy. Temperature 0,6 i prod, 1,0 bare hvis dere skal gjenskape leverandørens tall.
• Behandle åpne kodeagenter som produksjonsnære exploit-skrivere til det motsatte er bevist. Isolert eval, ingen produksjonsnøkler, ingen åpent git-historikk i testbildet, og et forbud mot å la modellen generere sine egne evalueringsoppgaver i godkjenningsløpet. Selvforbedring er et treningsgrep. Det er ikke en intern kontroll.

For norske virksomheter som vil eie agentstakken, er Ornith-1.5 nå en konkret kandidat: dokumenterte vekter, kvantisering, MIT og en 35B-modell som kan stå på to GPU-er. Den er ikke en erstatning for uavhengig eval. Den er heller ikke et grønt lys til å slippe en selvhostet kodeagent løs på repoet fordi Terminal-Bench ser pen ut i en blogg.

Det praktiske neste steget er det samme som for andre åpne frontier-nære modeller. Last 35B-A3B i isolert miljø. Lås chatmal og parser. Kjør deres egne oppgaver fem ganger, slik Ornith gjorde. Sammenlign mot dagens standardmodell på samme harness, ikke mot en skjermdump fra lanseringstråden.

Kilder og medier

Primærkilde: Ornith, «Ornith-1.5: From Self-Scaffolding to Self-Improvement», https://ornith.ai/ornith_1_5.html

Modellkort: Hugging Face, ornith-ai/Ornith-1.5-397B, https://huggingface.co/ornith-ai/Ornith-1.5-397B

Supplerende: Ornith-1.5-samlingen på Hugging Face og offisiell X-kunngjøring 19. august 2026.

Thumbnail: OpenAI Image 2 / hogby.ai