Ornith-1.0: Offene Programmiermodelle mit 9B bis 397B Parametern unter einer MIT-Lizenz

Eine Modellfamilie namens Ornith-1.0 ist unter der MIT-Lizenz als Open Source verfügbar, und die dafür veröffentlichten Werte richten sich ausdrücklich auf aggrobasiertes Programmieren. Die gemeldeten Werte liegen bei 82,4 auf SWE-Bench Verified, 77,5 auf Terminal-Bench 2.1, 62,2 auf SWE-Bench Pro, 48,2 auf NL2Repo und 77,1 auf ClawEval, sowie bei 41,2 im SWE Atlas QnA-Set. Es wird behauptet, dass Open-Source-Modelle im Programmieren nicht mehr zurückliegen, sondern nun in einer ganzen Reihe von Größen vorne liegen, lokal einsetzbar sind und eine GGUF-Version beinhalten. Dies sind die eigenen Angaben der Veröffentlichung, daher sollte man die Angaben zum Leaderboard mit Vorsicht betrachten, während man prüft, was die Modellfamilie tatsächlich bietet.

Vier Größen

Ornith ist kein einziges Modell, sondern vier: ein 9B-dichtes Modell, ein 31B-dichtes Modell, ein 35B-Mix-of-Experts-Modell und ein 397B-Mix-of-Experts-Modell. Sie wurden auf Basis von Gemma 4 und Qwen 3.5 weiter trainiert. Dieser Unterschied ist ungewöhnlich, da offene Veröffentlichungen in der Regel entweder eine kleine, effiziente Größe für begrenzte Ressourcen oder eine sehr große Größe für maximale Leistung wählen. Hier hat jede Version ein spezifisches Publikum: Das 9B-Modell läuft auf Consumer-GPUs für Einzelprogrammierer kostenlos. Das 31B-Modell eignet sich für kleine Teams mit einem einzigen Server. Das 35B-MoE-Modell ist für mittelgroße Projekte gedacht, bei denen Effizienz wichtig ist, während das 397B-MoE-Modell für Unternehmen bestimmt ist, die eine private Bereitstellung mit intern gespeicherten Daten wünschen. Es wirkt weniger wie die Veröffentlichung eines Modells und eher wie die Inanspruchnahme eines ganzen Produktportfolios.

Was die Bewertungen messen

SWE-Bench Verified übermittelt dem Modell ein echtes GitHub-Problem und bittet es, den entsprechenden Code zu finden, ihn zu ändern und sicherzustellen, dass alle Unit-Tests bestehen. Es handelt sich dabei um echte Programmieraufgaben, nicht um Rätselübungen. Ein erfahrener menschlicher Entwickler schafft solche Aufgaben in der Regel nur zu etwa 70 bis 75 Prozent – das ist eine grobe Branchenübereinstimmung. Die für Ornith gemeldeten 82,4 Prozent wären somit die höchste öffentlich nachvollziehbare Wertangabe im Benchmark. Beachten Sie, dass es sich um eine Punktzahl handelt, und die Veröffentlichung gibt sie nicht als Prozentsatz an.

SWE-Bench Pro beinhaltet Änderungen in mehreren Dateien, Refaktorisierungen, die verschiedene Module betreffen, sowie verwickelte Abhängigkeiten; daher deutet der Wert 62,2 darauf hin, dass er sich mit mittelgroßen Ingenieursaufgaben auseinandersetzen kann und nicht nur mit trivialen Anpassungen. Terminal-Bench 2,1 überprüft die Funktionalität in einem echten Terminal: Navigieren in Verzeichnissen, Suchvorgänge, Bearbeiten von Konfigurationen, Debuggen von Diensten sowie Bereitstellen von Anwendungen – der Wert 77,5 weist auf tatsächliches Terminalverhalten statt auf eine Simulation hin. NL2Repo erfordert ein ganzes Repository, das aus einer Beschreibung in Alltagssprache, beispielsweise für eine Aufgabenverwaltungsanwendung, erstellt wird. 48,2 erscheint bescheiden, wenn man die Schwierigkeit berücksichtigt, und wird als bestes Ergebnis unter den offenen Modellen beschrieben.

Eine Warnung für die Leser: Die Benchmark-Ergebnisse hängen von der zur Ausführung verwendeten Umgebung ab, und derselbe Modelltyp kann bei unterschiedlichen Einstellungen erhebliche Unterschiede aufweisen. Daher ist das erneute Ausführen der Gewichte in Ihren eigenen Repositorien der einzige Test, der zeigt, wie sich eine bestimmte Größe für Ihre Arbeit verhält. Dennoch beschreiben die zusammengefassten Ergebnisse eher einen Ingenieur, der am Terminal arbeitet, eine Codebasis liest und die Entwicklungsarbeiten eigenständig abschließt, als einen Chatbot, der über Code spricht. Zudem liegt das Werk unter der MIT-Lizenz vor und darf frei für kommerzielle Zwecke genutzt werden.

Das Modell lässt seine eigenen Werkzeuge verbessern

Die Ergebnisse sind nicht der interessanteste Teil – vielmehr ist es die Art und Weise, wie sie erzielt werden. KI-Programmierwerkzeuge haben zwei Ebenen: das Gerüst, das für Planung, Aufrufe von Tools und Kontextverwaltung zuständig ist, sowie die Lösungsebene, die Code schreibt, Fehler behebt und Tests ausführt. Normalerweise bauen Teams das Gerüst mit festen Regeln manuell auf und trainieren nur die Lösungsebene. Orniths Ansatz nutzt gleichzeitig Verstärkungslernen für beide Ebenen, sodass das Modell selbst herausfindet, was ein besseres Gerüst ausmacht, anstatt dass Ingenieure raten müssen.

Eine Analogie: Einem Arbeiter wird ein Hammer gegeben, ein anderer entwirft seinen eigenen Hammer und schwingt ihn anschließend. Der Zweite wird wahrscheinlich ein bequemeres Werkzeug haben. In der Sichtweise des Teams verbessert das Modell sein eigenes Ausführungsframework selbst, wodurch es die Art und Weise, wie Code geschrieben wird, anpasst – und nicht nur den Code selbst.

Falls das zutrifft, gehen die Auswirkungen über die Benchmark-Zahlen hinaus. Die Entwicklung von Programmierwerkzeugen würde dann nicht mehr durch das begrenzt, was menschliche Ingenieure als geeigneten Rahmen betrachten, und das Modell könnte Ausführungsstrategien sowie Werkzeugkombinationen ausprobieren, die von niemandem entworfen wurden. Sobald ein solcher Verstärkungszyklus in Gang ist, könnte die Iteration das manuelle Tuning überholen.

Druck auf geschlossungsquellige Programmieragenten

Coding-Agenten gelten seit Langem als letzter Stützpfeiler für Modelle mit geschlossener Quellcode-Struktur. Die Aufgabe ist schwierig: Sie erfordert Kontext innerhalb eines komplexen Repositoriums, mehrstufiges Planen, zahlreiche Tool-Aufrufe, die Handhabung von Fehlerrückmeldungen sowie wiederholte Überarbeitungen – ein anderes Schwierigkeitsniveau als das Verfassen eines Absatzes. Deshalb haben die größten Forschungslabore hier große Investitionen getätigt. Es wird gesagt, dass Claude Code ein jährliches Umsatzvolumen von über 2,5 Milliarden US-Dollar erzielt, GitHub Copilot Zehntausende von Nutzern hat, und KI-gestütztes Programmieren wohl die schnellste und zuverlässigste Einnahmequelle in diesem Bereich darstellt. Die Begründung dafür ist, dass Grundlagenmodelle kostenlos bereitgestellt werden können, während man für funktionierende Coding-Agenten bezahlen muss.

Dann taucht eine Familie mit einer MIT-Lizenz, einer GGUF-Version, lokaler Implementierung, in allen Größen von klein bis groß sowie den besten Open-Source-Ergebnissen bei sechs Benchmarks auf. Das Team dahinter soll keine Organisation mit tausend Mitarbeitern sein. Es wird als Forschungsgruppe beschrieben, die mit bestehenden Open-Modellen nach dem Training weiterarbeitet – ohne Ankündigung von Finanzierungsmitteln und ohne Keynote, lediglich Modelle, Ergebnisse und eine liberale Lizenz, die der Gemeinschaft zur Verfügung gestellt werden. Wenn das zutrifft, bildet das einen seltsamen Kontrast zu mit Milliarden aufgebauten Schutzmauern.

Open versus geschlossen

Das Bild von heute, grob gesagt. Auf der offenen Seite stehen Ornith-1.0, DeepSeek V4, das für seine starke Programmierfähigkeit bekannt ist, sowie Qwen 3.5, das bei den Programmierfähigkeiten deutliche Fortschritte gemacht hat – alle unter MIT-Lizenz oder ähnlichen Bedingungen, alle lokal einsetzbar und kostenlos für kommerzielle Zwecke nutzbar. Auf der geschlossenen Seite befinden sich Claude Code, dessen SWE-Bench-Ergebnis ohne unabhängige öffentliche Überprüfung auf etwa 75 bis 80 geschätzt wird, GPT-5.5 mit Codex, dessen Ergebnisse nie veröffentlicht wurden, sowie Gemini mit Code Assist.

Ein Detail verdient Aufmerksamkeit. Die meisten Werte von SWE-Bench für geschlossene Quellen fehlen an öffentlichen, unabhängig nachvollziehbaren Daten, während die Werte von Ornith offen veröffentlicht werden und jeder das Modell ausführen kann, um sie zu überprüfen. Was passiert, wenn ein offenes Modell transparenter ist, bessere Ergebnisse liefert und nichts kostet? Andere Entwicklungen bieten Vorbeispiele dafür. Nachdem LLaMA open source gemacht wurde, verloren geschlossene Grundmodell-Systeme an Verhandlungsmacht. Nach Stable Diffusion musste Midjourney von dem Verkauf von Modellen auf den Verkauf von Erlebnissen umsteigen. Aggressives Programmieren könnte demselben Muster folgen – und da auf der offenen Seite schärfere Werkzeuge zur Verfügung stehen, ist das so, denn das Herzstück des aggressiven Programmierens liegt genauso im Engineering wie in der Stärke der Modelle, und im Engineering sind offene Gemeinschaften am stärksten. Zehntausend Entwickler, die auf Ornith aufbauen, könnten zehntausend Frameworks sowie spezialisierte Lösungen entwickeln – keine geschlossene Teamgruppe ist so groß. Der Wettbewerb wandelt sich von dem, wessen Modell stärker ist, zu dem, wessen Ökosystem größer ist.

Drei Anzeichen

Das erste Anzeichen ist, dass die Modell-Schicht des agierenden Programmierens zu einem Alltagsprodukt wird. Wenn ein 9B-Modell das Niveau agierender Programmierung erreicht, eine liberale Lizenz die kostenlose kommerzielle Nutzung ermöglicht und eine GGUF-Version auf einem MacBook läuft, wird das Modell nicht mehr knapp – genauso wie Cloud Computing physische Server weniger knapp machte. Der Wert verschiebt sich hin zu der Passgenauigkeit zum jeweiligen Szenario und zur Integration in den Arbeitsablauf. Wer Ornith in sein Repository integriert, es mit seinem CI/CD-System verbindet und an seine Programmierstandards sowie Geschäftslogik anpasst, verdient das Geld – während das Modell selbst nichts kostet.

Zweitens könnte das durch maschinelles Lernen gemeinsam optimierte Skelett und die Lösung zu einem neuen Paradigma werden. Ornith ist nicht das erste Modell, das nachträglich mit maschinellem Lernen trainiert wurde, doch es geht bei der gemeinsamen Optimierung beider Aspekte weiter als frühere Arbeiten und untermauert dies mit sechs Benchmark-Ergebnissen. Die beschriebene Zukunft sieht vor, dass Modelle ihre eigenen Frameworks entwerfen, diese ausführen, Feedback durch maschinelles Lernen erhalten und die Frameworks weiterentwickeln – ein Kreislauf, der einmal abgeschlossen schnell beschleunigt werden könnte.

Drittens hat Open Source erstmals in der Ära der Agenten einen strukturellen Vorteil. Offene Modelle haben sich in Chats, beim Schreiben und Übersetzen bewährt, doch die Ausführung komplexer Aufgaben ist die erste Bereich, in der sie an die Spitze geführt haben. Das ist kein Zufall. Toolaufrufe, mehrstufiges Planen und Interaktion mit der Umgebung sind ingenieurtechnische Probleme, und Ingenieurwesen eignet sich hervorragend für offene Zusammenarbeit. Ein geschlossenes Unternehmen kann Gewichte verbergen, aber nicht die beste ingenieurtechnische Architektur – und tausend Entwickler, die ein einziges Agentenframework weiterentwickeln, werden in der Regel ein besseres Ergebnis erzielen als das Design eines einzelnen Teams.

Eine alte Frage, wieder einmal

Als Analysten bei Goldman Sachs die KI-Industrie untersuchten, stellten sie sich die Frage, ob günstigere KI-Systeme mehr Nachfrage schaffen oder die Preisgestaltungsmacht verringern. Diese Frage bezog sich auf Grundmodell-Architekturen. Sie gilt nun auch für agitives Programmieren. Wenn eine vollständig offene, vielfältige Familie von Tools, die lokal eingesetzt werden kann und die beste Leistung bei Open-Source-Lösungen bietet, unter der MIT-Lizenz für alle verfügbar ist, was passiert dann mit der Wirtschaftlichkeit von von KI erstelltem Code? Das Ornith-Team antwortete mit seinen Handlungen: Zuerst veröffentlichen, den Rest später klären.