Състезанието за увеличаване на броя на параметрите дълго време беше едно от основните направления в развитието на изкуствения интелект. Отвореният модел Ornith-1.5 обаче предлага друг метод. Неговата версия с 9 млрд. параметри се конкурира с модели, които са няколко пъти по-големи, и в отделни тестове ги превъзхожда. Основната разлика на новата система не е в размера, а в подхода към обучението. Вместо статичен набор от данни той постоянно генерира нови задачи, учи се да намира начини за тяхното решаване и подобрява стратегиите си чрез обучение с подсилване. Интересно е, че моделът може да бъде работи дори на мобилни устройства.
Ornith-1.5 се предлага в три варианта: с 397 млрд. параметри, с 35 млрд. и с 9 млрд. Именно последната версия е предназначена за максимално широко разгръщане: във формат bfloat16 тя заема 19 GB памет и може да работи на един GPU с 80 GB. За мобилните устройства разработчиците са подготвили квантувана версия на Ornith-1.5-9B-Mobile, съвместима с iPhone и Android. Моделът поддържа контекст до 262 144 токена, а с помощта на метода YaRN той може да бъде разширен до един милион токена.
Главната особеност на Ornith-1.5 е затвореният цикъл на самоусъвършенстване
Първо системата генерира нови задачи, като постепенно ги усложнява с нарастването на собствените си възможности. След това тя самостоятелно създава спомагателна структура за решаване на всяка задача — инструкции, инструменти, стратегия за декомпозиция и други елементи. Накрая моделът генерира варианти на решения, оценява ги и получава възнаграждение за успешните стратегии. Тези сигнали се използват за актуализиране на модела чрез обучение с подсилване (RL), след което цикълът започва отначало. Тоест системата решава задачи и успоредно с това усъвършенства своите методи на обучение.
Този подход вече се отразява на резултатите. Ornith-1.5-9B е постигнала 46,2 точки в Terminal-Bench 2.1 срещу 21,3 за Qwen3.5-9B, а в SWE-bench Verified е получила 70,6 точки, като е отстъпила само малко на Qwen3.6-35B с 73,4 точки и значително е изпреварила Gemma-4-31B dense с 52 точки. В теста за научно мислене GPQA Diamond моделът е набрал 86,4 точки. Що се отнася до агентските задачи, тя получи 56,4 точки в BrowseComp и 66,5 в ClawEval, изпреварвайки своя предшественик Ornith-1.0-9B с 11,6 и 3,4 точки съответно.
При по-големите версии ефектът също е сериозен. Ornith-1.5-35B-A3B, която активира едва около 3 млрд. параметри на всеки токен, постигна 68,5 точки в Terminal-Bench 2.1 и 79 точки в SWE-bench Verified — срещу 49,2 и 73,4 при Qwen3.6-35B-A3B. Флагманският модел Ornith-1.5-397B получи 86,1 точки в Terminal-Bench 2.1 и 56 точки в DeepSWE, приближавайки се до Claude Opus 4.8, чиито резултати бяха съответно 85 и 59 точки. Това показва, че самият подход е мащабируем не само при компактните модели.
За разработчиците значението на Ornith-1.5 се състои преди всичко в намаляването на разходите за внедряванеАко модел с 9 милиарда параметри е способен да изпълнява задачи по програмиране, разсъждения и работа с инструменти на нивото на значително по-големите системи, мощният ИИ става по-достъпен без изобщо да са необходими големи изчислителни клъстери. Освен това Ornith-1.5 показва, че следващият метод за мащабиране на ИИ може да бъде не само увеличаването на броя на параметрите, данните и изчисленията, но и способността на моделите самостоятелно да подобряват стратегиите си за обучение.