open-source coding-agents swe-bench llm mit-license

Ornith-1.0：基于MIT许可证的从9B参数到397B参数的开放权重编码模型

Ornith-1.0在MIT许可下提供了从9B到397B参数规模的开放权重编码模型。其SWE-Bench和Terminal-Bench测试结果的意义，以及它如何训练自身的框架。

发布者：REACTAPP.TOP加入本站 2026年10月28日阅读约 7 分钟1650 词

来源: Ornith-1.0 Released: A New King of Agentic Coding Ascends, Open-Sourced under MIT

一个名为Ornith-1.0的模型系列以开源形式在MIT许可下发布，其公布的各项指标均针对代理式编程而设计。在SWE-Bench Verified上的得分为82.4，在Terminal-Bench 2.1上为77.5，在SWE-Bench Pro上为62.2，在NL2Repo上为48.2，在ClawEval上为77.1，而在SWE Atlas QnA测试集上的得分则为41.2。该系列宣称，开源模型已不再在编程能力上落后，如今在各种规模上均处于领先地位，可直接在本地部署，且附带GGUF格式的模型文件。这些均为该版本的宣传内容，因此在了解其实际功能时，应对这些排名数据保持谨慎态度。

四种规模

Ornith 并非单一模型，而是共有四种：9B 密集型、31B 密集型、35B 专家混合型以及 397B 专家混合型。这些模型都是在 Gemma 4 和 Qwen 3.5 的基础上进行后续训练的。这样的型号分布相当罕见，因为通常开源发布的模型要么选择体积小且效率高的版本，要么选择性能极强的版本。而这里每个层级都有其特定的目标用户群体：9B 版本可在普通消费级 GPU 上运行，无需任何成本，适合个人开发者使用；31B 版本适合仅有单台服务器的小型团队；35B 专家混合型则针对注重效率的中型项目；而 397B 专家混合型则是为那些希望将数据保留在内部并实现私有部署的企业设计的。这与其说是在发布一个模型，不如说是在占据整个技术赛道。

评分标准是什么

SWE-Bench Verified会向模型提供真实的GitHub问题，要求其找到相关代码、进行修改并确保所有单元测试都能通过。这属于真正的编程工作，而非谜题练习。业内普遍认为，熟练的人类开发者在处理此类任务时的完成度大约在70%到75%之间，而Ornith所达到的82.4%则是该基准测试中公开可查的最高分数。需要注意的是，这只是一个分数，发布方并未将其以百分比的形式呈现。

SWE-Bench Pro需要对多个文件进行修改，涉及跨模块的重构以及复杂的依赖关系处理，因此62.2的分数表明它适合处理中等规模的工程任务，而不仅仅是简单的调整。Terminal-Bench 2.1则测试在真实终端中的操作能力：切换目录、搜索文本、编辑配置、调试服务以及部署应用，77.5的分数说明其能够实现真正的终端操作而非仅模拟终端功能。NL2Repo要求根据自然语言描述（如任务管理器应用的需求）生成整个代码库，48.2的分数看似不高，但考虑到任务的难度，它仍被列为开源模型中的最佳结果。

给读者的提醒：基准测试结果取决于用于运行测试的框架，同一模型在不同配置下的表现可能差异巨大，因此只有在自己托管的代码库中重新运行模型权重，才能真正了解该模型在特定场景下的表现。尽管如此，这些数据整体上更像描述的是在终端前工作、阅读代码库并独立完成开发任务的工程师，而非只会谈论代码的聊天机器人。此外，该模型采用MIT许可，可自由用于商业用途。

让模型改进自身的工具

分数并非最有趣的部分，真正有趣的是得出这些分数的途径。AI编程工具分为两层：负责规划、工具调用和上下文管理的框架层，以及负责编写代码、修复错误和运行测试的解决方案层。通常情况下，团队会手动构建具有固定规则的框架层，仅对解决方案层进行训练。而Ornith的方法则同时对这两层应用强化学习，让模型自行发现何种框架更优，而非依赖工程师的猜测。

打个比方：一个人拿到一把锤子，另一个人则自己设计锤子后再使用。后者很可能得到一把更实用的工具。用该团队自己的说法，模型会自行改进其执行框架，因此它是在调整代码的编写方式，而不仅仅是代码本身。

如果这一设想成立，其影响将超越基准测试数据所显示的范围。编码工具的进化将不再受限于人类工程师所能设想的理想框架，模型还可以尝试那些从未有人设计过的执行策略与工具组合。一旦这样的强化循环启动，迭代速度将超越人工调整的速度。

闭源编码智能体的压力

编码智能体长期以来被视为闭源模型的最后堡垒。这项任务极为艰巨：它需要在复杂的代码库中把握上下文、进行多步骤规划、调用大量工具、处理错误反馈并反复修改，其难度远超撰写一段文字。正因如此，各大实验室都在此领域投入了大量资源。据称Claude Code的年营收已超过25亿美元，GitHub Copilot拥有数千万用户，而人工智能编程可以说是该行业增长最快、最可靠的盈利渠道。其背后的逻辑在于，基础模型可以免费提供，而能够实际工作的编码智能体才是用户需要付费的对象。

接着出现了一个拥有MIT许可证、GGUF格式模型、可本地部署的团队，其模型规模从小到大应有尽有，且在六项基准测试中均取得了顶尖的开源项目排名。据称，支撑该团队的并非千人规模的组织，而是一个致力于对现有开源模型进行训练后优化研究的小组。他们既没有公布任何融资消息，也没有举办主题演讲，只是将模型、测试成绩以及宽松的许可证发布到社区中。如果这些信息属实，那与那些耗资数十亿构建的壁垒型产品形成了鲜明的对比。

开源与封闭

大致来说，这是今天的图片。开放阵营中包括 Ornith-1.0、以强大的编程能力著称的 DeepSeek V4，以及代码能力有显著提升的 Qwen 3.5，它们均采用 MIT 或类似许可协议，可本地部署且可免费商业使用。封闭阵营则包括 Claude Code，其 SWE-Bench 测试成绩据估计在 75 到 80 分左右，但尚未经过独立公开验证；还有搭配 Codex 的 GPT-5.5，其具体分数从未公开；以及带有 Code Assist 功能的 Gemini。

有一个细节值得注意。大多数闭源的SWE-Bench测试数据缺乏公开且可独立复现的依据，而Ornith的相关数据则是公开发布的，任何人都可以运行模型来验证这些结果。当一个开源模型更加透明、得分更高且完全免费时，会发生什么？其他领域已有先例。在LLaMA开源之后，闭源的基座模型失去了议价能力。在Stable Diffusion出现之后，Midjourney不得不从销售模型转向销售体验。代理编程也可能遵循同样的路径，而且由于开源阵营拥有更强大的工具，而代理编程的核心既在于模型性能也在于工程能力，而工程领域正是开源社区最强大的地方。如果有上万开发者基于Ornith进行开发，他们就能创造出上万种框架和行业解决方案，没有任何一个闭源团队能拥有如此规模。这场竞赛的重点已从谁的模型更强大转变为谁的生态系统更为庞大。

三个信号

第一个信号是，代理编程中的模型层正在变成一种商品。当一个90亿参数的模型能够实现代理级编程，且拥有允许免费商业使用的许可，同时其GGUF格式版本能在MacBook上运行时，这类模型就不再稀缺了，就如同云计算让物理服务器变得不再稀缺一样。价值重心转向了场景适配与工作流整合。谁能将Ornith集成到自己的代码仓库中，将其与CI/CD流程相连，并使其符合自身的编程规范和业务逻辑，谁就能获得收益，而模型本身则无需任何成本。

第二点是，能够同时优化框架与解决方案的强化学习可能会成为一种新的范式。Ornith并非首个通过强化学习进行后训练的模型，但它比以往的研究更深入地推动了这两者的联合优化，并以六项基准测试成绩作为支撑。所描述的未来图景是：模型能够自行设计框架并运行它们，通过强化学习获得反馈，进而不断改进框架，这一循环一旦形成便能迅速加速发展。

第三点是，开源在智能体时代首次拥有了结构上的优势。开源模型已在聊天、写作和翻译领域展现出实力，而复杂任务执行则是它们首次实现领先的优势领域。这并非偶然——工具调用、多步骤规划以及环境交互都属于工程问题，而工程工作恰恰适合开放协作。封闭式公司虽能隐藏模型权重，却无法隐藏最优的工程架构；上千名开发者共同优化同一个智能体框架，其成果往往能超越任何单个团队的设计。

同一个老问题，再次被提出

高盛的分析师在研究人工智能行业时，曾探讨过更廉价的智能技术是会创造更多需求还是削弱定价能力。那个问题原本是针对基础模型的，现在也适用于代理编码技术。如果有一套完全开放、功能全面、可在本地部署、且拥有最强大开源成果的系列工具能以MIT许可提供给所有人，那么由人工智能编写的代码其经济模式将会如何变化？Ornith团队用行动给出了答案：先发布产品，后续再解决其他问题。