两个月，从“会写代码”到“会自己干活”：Ornith 1.5 把开源编码模型卷到了什么程度

前段时间，程序员圈子里有个挺扎心的段子：让 AI 写代码，它三分钟就给你吐出两百行，看着还挺像那么回事；可你一把它丢进真实项目，它立刻开始装傻——不知道文件在哪、不会跑测试、报错了还要你一步步喂给它。

最近两个月，一个叫 Ornith 的开源模型家族，就是冲着这个“最后一公里”来的。

6 月刚发 1.0，8 月就甩出了 1.5。两个月，在动辄训练大半年的 AI 圈里，短得像是“赶工”。可它交出来的成绩单，却不像赶工：多个硬核编码测试涨得离谱，有的项目直接从 0 分蹦到 22 分。

于是全网开始刷屏：“开源编码模型，被卷到这种程度了？”

一、先看结论：两个月，不是修补，是换了个活法

先把时间线捋清楚。

6 月，Ornith 1.0 发布，主打“会自己规划解题步骤”，在程序员常用的终端任务、真实项目改 bug 这些测试里，已经能跟当时的顶尖闭源模型掰手腕。

8 月，1.5 来了，一口气补齐 9B、35B、397B 三个尺寸。旗舰版在部分测试上，已经能跟 Claude Opus 4.8 打成平手。

而这次最受普通用户关注的，是中间那个“甜点位”版本——Ornith-1.5-35B-A3B。

为什么它最香？因为 397B 那种巨无霸，普通人连想都不敢想：一台机器塞不下，租云卡一天烧掉的钱够买台电脑。而 35B 这个尺寸，是很多人家里那台带独显的电脑，踮踮脚真能摸到的天花板。

二、它到底是个啥？35 人的团队，每次只喊 3 个人干活

先把这个拗口的名字翻译成人话。

“35B”指它脑子里一共装了 350 亿个参数，相当于一个 35 人的技术团队；“A3B”是关键——每次干活，只激活其中约 30 亿，也就是只叫 3 个人上场。

这就是所谓的“混合专家”结构。你可以理解成一家公司：会议室里坐着 35 个专才，来了一个前端页面需求，就只喊懂前端的几个人；来了个数据库问题，再换另一拨人。人没少请，但每次开会只有三五个人说话，又快又省。

带来的直接好处有两个：

一是跑得动。它虽然挂着 35B 的名头，实际吃资源更接近一个 3B 的小模型，速度上的优势非常直观。

二是看得多。它原生支持 26 万字的上下文，官方还留了扩展余地，最长能撑到百万字级别。换成生活场景：你可以把一整个中型项目的代码、一堆报错日志、几份需求文档，一次性全丢给它，让它自己翻着看，而不是像以前那样“这段贴一下、那段贴一下”，聊到最后它自己都忘了前面说过啥。

三、最狠的一招：它开始自己出题、自己搭考场、自己判卷

如果只看分数，你会以为这只是“又一代更强的模型”。但 1.5 真正让圈内人坐直身子的，是它的训练方式。

打个比方。

以前的 AI 训练，像老师带学生：老师提前编好一本习题集，学生刷完，对答案，再刷下一本。习题集是人编的，刷完就没了。

Ornith 1.0 往前走了一步：不光做题，还学会了自己设计“解题流程”——先查什么、再改什么、怎么验证，相当于学生开始自己总结答题套路。

到了 1.5，它把最后两块也接上了：自己出题、自己搭考场、自己判卷。

具体是这样转的：模型先根据自己目前的水平，出一些“稍微超出舒适区”的新题；然后为这道题搭一套能跑起来、能自动判对错的评测环境；再去解题。解完的结果会打分，分数同时反馈给三个环节——出的题好不好、考场搭得对不对、解法优不优雅。

于是形成一个循环：水平越高，出的题越难；题越难，练出来的本事越大。

这也是为什么它两个月能涨这么猛——别人在等人编新题库，它自己一边出题一边刷，通宵不喊累。

当然，这里有个所有“自己判卷”的系统都躲不开的坑：作弊。

比如题目要求“生成某个文件”，模型完全可以不干活，直接手动创建个空文件蒙混过关；或者偷偷去翻环境里自带的参考答案。官方在 1.0 时就吃过这个亏，1.5 里加了三道锁：环境、工具、测试全部锁死不让碰；有专门的监控盯着“偷看答案、改判分脚本”这类小动作，一旦发现直接零分；最后还安排了一个“监考老师”模型，专门识别那种“活没干但分数拿到了”的滑头行为。

说白了，它不光要会做题，还得老老实实做题。

四、涨分有多夸张？几个数字，直观感受一下

不讲虚的，直接看它在几项公认最难的“真实工程测试”上的变化。

第一项，真实项目改 bug（SWE-bench Verified）。1.0 是 75.6 分，1.5 干到 79 分。别看只涨 3.4 分，这个榜单越往上越难，很多人卡在 76 分上下半年动不了。

第二项，更刁钻的难题版（SWE-bench Pro）。50.4 涨到 59.6，一口气多出 9.2 分。同尺寸的老对手 Qwen3.6-35B 是 49.5，等于被甩开了 10 分。

第三项，也是最能说明问题的一项：DeepSWE。1.0 是0 分，1.5 是22 分。Qwen3.6-35B 这项也是 0 分，连 397B 的 Qwen3.5 都只有 1 分。

从 0 到 22，不是“进步”，是“原来根本不会，现在真会了”。这一项考的是长链条、多步骤的真实开发任务，最能体现“会不会自己干活”。

第四项，终端操作（Terminal-Bench 2.1）。从 64.2 到 67.8；换一套主流工具链测，从 62.8 到 68.5。同尺寸的 Qwen3.6-35B 只有 52.5 和 49.2。

第五项，“一句话生成一个项目”（NL2Repo）。34.6 涨到 46.2。这个测试的意思很直白：你给一段自然语言描述，它要从零搭出一个能跑起来的代码仓库。这项能力强，意味着“嘴上说说就能出活”越来越接近现实。

还有个细节特别能说明它的性价比：这个只激活 3B 的小伙子，在好几项上反超了 397B 的 Qwen3.5——终端操作 67.8 对 53.5，一句话建仓 46.2 对 36.8，代码问答 39.8 对 20.4。

用大白话讲：一个 35 人的团队，把对面 400 人的大部门，在某些活上给比下去了。

五、普通人拿它干嘛？不只是程序员的玩具

很多人一看“编码模型”四个字就划走了，觉得跟自己没关系。其实这类工具的真实用户，早就不止程序员了。

场景一：不会写代码，但需要一个趁手的小工具。比如你是做自媒体的，每周要处理几百张图：统一尺寸、加水印、按日期分文件夹。以前要么找人写脚本，要么手动搞到深夜。现在你可以直接描述需求，让它在本地把脚本写出来、跑一遍、报错了自己改。你要做的只是看结果。

场景二：面对一坨看不懂的报错。家里 NAS 挂了、公司系统报错、某个软件死活装不上，把日志整段丢给它，它能顺着日志一路查下去，告诉你是哪一步出的问题。这类“排障”能力，恰好是这次涨得最猛的部分。

场景三：老项目翻新。一堆几年前没人敢动的代码，文档没有、注释全靠猜。它可以自己进目录、读文件、理清调用关系，再动手改。这是“会聊天”和“会干活”的分水岭。

场景四：数据不出门。这是本地部署最实在的价值。公司的合同、客户名单、还没申请专利的方案，你敢往云端 AI 里贴吗？放在自己电脑上跑，断网也能用，东西没出过这台机器。

社区里的实测反馈也很一致：有人拿 16G 显存的显卡跑 4bit 量化版，速度能到每秒十几到二十个词，写代码、改 bug 这种交互场景基本不卡；也有人夸它是“小显存玩大模型的新答案”，但也有人吐槽：上下文一开大，显存立刻见底，得在“记得多”和“跑得动”之间做取舍。

六、门槛到底高不高？说点实在的

先看体积，这是最硬的拦路虎。仓库里提供的几个版本，大小差别很大：

• 4bit 压缩版，约20.2 GB
• 5bit 版，约23.6 GB
• 6bit 版，约27.2 GB
• 8bit 版，约35.2 GB
• 不压缩的原版，约66.2 GB

翻译成配置建议：

24G 显存的显卡（比如 4090 这个级别），跑 4bit 版是最舒服的组合，还能留出空间给它“记事”。

16G 显存的显卡，能跑，但得做减法：上下文别开太大，或者把一部分计算挪到内存里，速度会掉一截。社区实测大概在每秒十几到二十词这个区间。

苹果电脑，统一内存 32G 以上再考虑 4bit 版，M 系列芯片跑起来体验相当不错，而且安静省电。

只有 8G 内存的老笔记本，说实话别为难它了。真想玩，去看那个 9B 的小兄弟，官方还有个手机版，能在 iPhone 和安卓上跑——当然，那是“能跑”，不是“能扛大活”。

上手方式也很友好，社区常用的那套工具已经适配好了，一行命令就能把模型拉下来跑起来，不用自己折腾环境。它还给主流编程工具留了标准接口，换句话说，你平时用的那些 AI 编程插件，改个地址就能接上它，不用换习惯。

另外仓库里还附带了一个 0.8G 的视觉模块文件，这意味着喂它截图、界面设计稿这类图片，也有得聊——不过这块官方着墨不多，属于“留了个后门”，别抱太高期待。

七、这件事真正的信号，比分数更重要

如果把视角拉远一点，Ornith 1.5 的这两个月，其实透露了三件事。

第一，开源和闭源的那道墙，正在变薄。过去大家默认“开源的只能追着闭源跑，差半年”。现在同尺寸开源模型在真实工程任务上，已经能跟顶级闭源模型互有胜负。对普通用户来说，这意味着：你未必需要为最强的那个 AI 付月费了。

第二，“后训练”成了新战场。它的底子来自 Qwen3.5 和 Gemma 4，真正拉开差距的，是后面那套“自己出题自己练”的强化学习流程。这给所有做模型的人提了个醒：光堆参数的时代在退潮，会“自我进化”的才跑得快。

第三，压力已经传导到同行身上。同尺寸的 Qwen3.6-35B 这次几乎全线落后，而 397B 的上一代在某些任务上被 35B 反超，这种“以下犯上”在一年前几乎不可想象。开源编码这条赛道，接下来大概率会看到更多“自我进化”的方案跟上来。

当然，也别把它神化。它依然会写错代码，依然会在复杂项目里迷路，依然需要你盯着结果。它更像一个手脚麻利、但需要人带的实习生——你把活说清楚，它能自己跑起来；你完全撒手不管，它也可能给你捅个娄子。

真正值得兴奋的，不是它今天考了多少分，而是它证明了：AI 可以不等人类出题，自己给自己加练。

那么问题来了——如果两年后，你电脑里真住进一个能自己找活干、自己查资料、自己跑测试的“数字同事”，你最想让它替你干掉哪件破事？是每周的周报，还是那堆永远理不清的表格？

评论区聊聊，我猜答案会很精彩。