ИИ-модель Ornith 1.0: открытый код для автономных ИИ-агентов

Архитектура Ornith и концепция самообучаемого каркаса

Нейросеть использует технологию self-scaffolding, которая позволяет ИИ-агенту в реальном времени анализировать задачу и выстраивать план декомпозиции. В отличие от традиционных решений, требующих заранее прописанных сценариев, новая модель сама выбирает инструменты и исправляет ошибки.

Такой подход востребован в сообществе разработчиков, практикующих vibe coding github, поскольку агент обучается управлять всем процессом написания кода. В ходе обучения с подкреплением оптимизируется как конечный скрипт, так и стратегия его создания.

Линейка нейросетей и результаты в бенчмарках

Семейство включает четыре версии разного размера, доступные по лицензии MIT для коммерческого использования. Флагманская Ornith 1.0-397B набрала 82.4% в тесте SWE-Bench Verified, опередив популярные проприетарные аналоги.

Компактная версия на 35 миллиардов параметров с архитектурой Mixture-of-Experts показала результат 64.2% в Terminal-Bench 2.1. Она превзошла более тяжелые модели, требуя при этом значительно меньше вычислительных ресурсов.

Доступные конфигурации:

• 9B Dense: базовая версия для локального запуска на потребительских видеокартах.
• 31B Dense: сбалансированное решение для серверов среднего уровня.
• 35B MoE: оптимизированная архитектура с высокой скоростью обработки.
• 397B MoE: флагман для сложных промышленных задач.

Хронология внедрения и сценарии использования

Все версии поддерживают контекстное окно до 262 тысяч токенов и совместимы с фреймворками OpenHands и Hermes Agent. Разработчики предусмотрели трехуровневую защиту от reward hacking, чтобы нейросеть не могла искусственно завышать свои результаты в тестах.

Интеграция технологии в рабочие процессы команд проходит в несколько этапов: