Ornith-1.5 выпускается сразу в трёх вариантах: на 397 млрд параметров, на 35 млрд и на 9 млрд. Именно последняя версия рассчитана на максимально доступное развертывание: в формате bfloat16 она занимает 19 ГБ памяти и может работать на одном GPU с 80 ГБ. Для мобильных устройств разработчики подготовили квантованную версию Ornith-1.5-9B-Mobile, совместимую с iPhone и Android. Модель поддерживает контекст до 262 144 токенов, а с помощью метода YaRN его можно расширить до миллиона токенов.
Главная особенность Ornith-1.5 — замкнутый цикл самосовершенствования.
Сначала система генерирует новые задачи, причем постепенно усложняет их по мере роста собственных возможностей. Затем она самостоятельно создает вспомогательную структуру для решения каждой задачи — инструкции, инструменты, стратегию декомпозиции и другие элементы. Наконец, модель генерирует варианты решений, оценивает их и получает вознаграждение за успешные стратегии. Эти сигналы используются для обновления модели с помощью обучения с подкреплением, после чего цикл запускается заново. То есть система решает задачи и параллельно совершенствует свои методы обучения.
Такой подход уже отражается на результатах. Ornith-1.5-9B набрала 46,2 балла в Terminal-Bench 2.1 против 21,3 у Qwen3.5-9B, а в SWE-bench Verified получила 70,6 балла, лишь немного уступив Qwen3.6-35B с 73,4 балла и значительно опередив Gemma-4-31B dense с 52 баллами. В тесте научного мышления GPQA Diamond модель набрала 86,4 балла. Что касается агентных задач, она получила 56,4 балла в BrowseComp и 66,5 в ClawEval, опередив своего предшественника Ornith-1.0-9B на 11,6 и 3,4 пункта соответственно.
На более крупных версиях эффект также заметен. Ornith-1.5-35B-A3B, которая активирует лишь около 3 млрд параметров на каждый токен, набрала 68,5 балла в Terminal-Bench 2.1 и 79 баллов в SWE-bench Verified — против 49,2 и 73,4 у Qwen3.6-35B-A3B. Флагманская Ornith-1.5-397B получила 86,1 балла в Terminal-Bench 2.1 и 56 баллов в DeepSWE, приблизившись к Claude Opus 4.8, у которого результаты составили 85 и 59 баллов соответственно. Это показывает, что сам подход масштабируется не только на компактные модели.
Для разработчиков значение Ornith-1.5 заключается прежде всего в снижении стоимости развертывания.
Если модель с 9 млрд параметров способна выполнять задачи программирования, рассуждения и работы с инструментами на уровне значительно более крупных систем, мощный ИИ становится доступнее без больших вычислительных кластеров. Кроме того, Ornith-1.5 показывает, что следующим способом масштабирования ИИ может стать не только увеличение числа параметров, данных и вычислений, но и способность моделей самостоятельно улучшать стратегии обучения.
