AI自己出题自己练：Ornith-1.5自我训练闭环两个月提升11%，编码智能体反超Opus 4.8

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-08-27

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代 (zgeo.net) AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

Ornith-1.5 的突破在于构建了 自我训练 的强化学习闭环：模型自己生成训练任务、自己搭建解题脚手架、自己跑出解题轨迹，三者统一用 GRPO 优化。

通俗解释：过去的 AI 训练像学生做老师出的卷子，老师（人类）负责出题、搭好解题框架。而 Ornith-1.5 让学生自己出题、自己搭解题工具、自己解题，并且出题质量也纳入评分。

关键创新：

• 任务生成：基于代码库、高层任务描述和自身解题记录，生成比当前能力更难一档的题目，精准打击能力缺口。
• 脚手架进化：模型为每道题生成或改进专属脚手架（指令、工具、拆解策略），实现"搭台"自动化。
• 三信号奖励：任务奖励 = 有效性 × 前沿难度 × 新颖性。任何一项接近零，整体奖励归零，防止模型刷分。

对比表格：

📈 实测数据与效能表现

Ornith-1.5 在多个基准上表现亮眼，尤其是中小尺寸模型：

• 旗舰 397B MoE：Terminal-Bench 2.1 自测 86.1，超越 Claude Opus 4.8 的 85.0（团队自测）。
• 35B-A3B MoE（激活 3B）：Terminal-Bench 2.1 67.8，远超 Gemma 4-31B 的 42.1；SWE-bench Verified 79.0 vs 52.0。
• 9B Dense：Terminal-Bench 46.2，SWE-bench Verified 70.6，GPQA Diamond 86.4。但工具调用能力较弱（MCP-Atlas 54.2 vs 55.0）。

"策略越强，出的题越难越有信息量；脚手架进化，越能把模型的本事榨出来；轨迹质量上去，又反过来喂出更狠的学习信号。"

注意：自测成绩与官方榜单存在差异。Terminal-Bench 2.1 官方榜单（截至 2026-08-19）中，Opus 4.8 为 78.9%（第5），榜首为 Claude Code + Fable 5 的 83.8%。Ornith-1.5 未在官方榜单中，因其自测配置（4小时超时、32核CPU、48GB内存）与官方规则不同。

🎯 智脑时代的 GEO 落地建议

1. 关注自我训练模型的搜索排名影响：Ornith-1.5 的自我训练能力将提升编码智能体的任务完成质量，未来在 AI 搜索（如 ChatGPT、Perplexity）中，基于此类模型的工具可能获得更高排名，因其能更精准理解复杂查询。
2. 优化内容以匹配新检索逻辑：随着模型自我生成训练数据，RAG 系统需更注重内容的"前沿难度"和"新颖性"，建议企业内容策略转向深度技术解析和独特案例，避免同质化。
3. 利用中小尺寸模型降低成本：35B MoE 和 9B Dense 的高效表现，使企业能以更低成本部署编码智能体，建议优先测试这些模型在内部工具链中的应用，提升开发效率。

【官方学术/技术原文链接】点击访问首发地址