- 发布日期
Ornith-1.5 系列开源 AI 模型发布，量化版可在 iPhone 17 等手机上运行
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
8月19日，DeepReinforce公司正式发布了Ornith-1.5系列开源AI模型，这一系列模型的最大亮点在于引入了“自我改进循环”机制，其中最大规模的397B参数版本在部分性能测试中超越了被誉为行业标杆的Claude Opus 4.8。此举标志着开源模型在高端性能上首次达到甚至超越了商业闭源模型的顶尖水平，引发了业界的广泛关注。
据悉，Ornith-1.5系列是DeepReinforce在去年Ornith-1.0基础上的重大升级。此前，Ornith-1.0虽然以开源形式发布，但其性能与主流商业模型仍存在差距。此次迭代，团队聚焦于训练算法的革新，核心是引入“自我改进循环”——模型在训练过程中会不断自主生成更困难的任务，并尝试解决这些任务，从而形成一个持续优化的闭环。这种机制让模型不再依赖固定的数据集，而是能够动态地挑战自身极限，实现性能的螺旋式上升。
具体来看，该系列包含三个不同规模的版本：旗舰款Ornith-1.5-397B采用混合专家（MoE）架构，总参数高达3970亿，在多数基准测试中与Claude Opus 4.8持平，在逻辑推理和代码生成等专项测试中甚至反超。中端型号Ornith-1.5-35B-A3B同样为MoE架构，总参数350亿，其表现优于参数相近的稠密模型Muse-Glimmer-30B和Gemma-4-31B。入门级Ornith-1.5-9B则是稠密模型，尽管参数仅为9B，但在大多数测试中击败了参数多出三倍以上的Gemma-4-31B。
技术原理上，自我改进循环的实现依赖于强化学习与自适应任务生成的结合。模型在训练中会维护一个“难度控制器”，该控制器根据模型当前的能力阈值，动态生成恰好超出其能力范围的任务。当模型成功解决这些任务后，控制器会进一步提升难度，迫使模型不断探索新的策略。据DeepReinforce技术博客透露，这一机制使得模型的有效训练数据量增加了数十倍，且无需人为标注，大幅降低了数据成本。值得注意的是，Ornith-1.5还专门推出了一个名为“Ornith-1.5-9B-Mobile”的量化版本，针对移动端设备进行了深度优化，可以在安卓手机以及尚未发布的iPhone 17等机型上流畅运行，这让高性能AI助手在本地端部署成为现实。
这一系列的发布对AI行业的影响是多方面的。首先，对于开发者而言，Ornith-1.5的开放权重意味着他们可以在本地服务器上部署具备Opus级别能力的模型，不再依赖云端API，从而有效降低推理成本并保障数据隐私。其次，对于手机厂商和芯片公司来说，9B-Mobile版本为端侧AI提供了新的选择，有望推动智能手机上的离线智能助手、实时翻译等应用升级。此外，高校和科研机构也能基于这一开源模型进行深度研究，加速AI领域的学术进步。
业界对此反应热烈。多位AI研究人员在社交媒体上表示，Ornith-1.5的出现打破了“开源模型性能天花板”的固有认知，尤其称赞其自我改进循环的设计哲学。AI开源社区Hugging Face上，Ornith-1.5系列在发布后数小时内便登顶下载榜。分析师指出，DeepReinforce此举或将迫使其他主流模型提供商重新审视定价策略，并加大研发投入。不过也有用户担心，模型的真正表现可能在实际应用中打折扣，且397B版本对硬件配置要求较高，普通开发者难以直接使用。
展望未来，DeepReinforce计划在下一版本中进一步优化自我改进循环的效率，并探索将这一机制推广至多模态领域。同时，团队表示正在与几家手机厂商洽谈合作，有望在明年发布的旗舰机型中预装Ornith-1.5-9B-Mobile。业内预测，随着开源模型性能的快速逼近，AI行业将进入一个“开源与闭源并驾齐驱”的时代，而像Ornith-1.5这样的创新机制将成为驱动技术迭代的新引擎。
从宏观背景来看，当前AI领域正经历从“规模竞赛”到“效率竞赛”的转变。过去几年，各大厂商一味堆叠参数，导致训练成本飙升。Ornith-1.5的出现证明了通过算法创新而非单纯扩大规模，同样能实现性能跃迁。这一理念与近期受到广泛关注的“小模型大智慧”趋势不谋而合，也与全球范围内对绿色AI计算的呼吁相呼应。在开源社区活跃度持续攀升的当下，DeepReinforce的这次发布，或许会为整个行业注入一股新的活力。
