Ornith AIが自身のトレーニングカリキュラムを作成するオープンモデルを公開

Why it matters

Ornith AI is betting that models can expand their own training curriculum, reducing dependence on hand-built tasks while making reward design even more consequential.

Ornith AIは2026年8月19日にOrnith-1.5をリリースし、応答やスキャフォールドの生成を超えて、トレーニング用タスク自体を生成する方向へとオープンモデル群を押し進めた。発表によれば、Ornith AIは強化学習ループを説明しており、より難しい問題を提案し、それを解き評価するためのハーネスを構築し、次の学習体験となるソリューション・ロールアウトを生成するという。

このリリースは、機械的に検証可能な報酬を持つ問題に強化学習を適用してきた研究グループからのものだ。Xiaoya Li、Guoyin Wang、Songqiao Su、Chris Shum、Jiwei Liは共著で、競技プログラミングのためのマルチエージェントシステムを構築したGrandCode 論文に登場している。これらの研究者の数名は、実行速度を報酬として行列乗算カーネルを最適化する取り組みであるCUDA-L2にも関わっている。StanfordのNLPグループはJiwei LiをDeepReinforce.aiの関連としてリストしている。

その経歴が、Ornith-1.5の背後にある中核的な賭けを説明している。Ornith AIは、固定されたテストセットを中心に構築されたプロセスとしての強化学習を、自ら有用なテストを作り出すものへと変えようとしている。公開された研究の系譜はDeepReinforceブランドの研究とOrnithブランドのモデルリポジトリにまたがり、DeepReinforce Ornith repositoryも含まれる。リリースはOrnith Teamによって公開され、@deep_reinforceを通じて告知されている。

モデルが課題を書く

Ornith-1.0は6月にリリースされ、コーディング課題の周りのスキャフォールド、すなわち指示、ツール、分割とオーケストレーションを生成することを学んだ。Ornith-1.5はそのプロセスに課題生成を追加した。

各トレーニングサイクルは、環境またはコードベース、望ましい問題の種類に関する大まかな指示、およびモデルがすでに解いた履歴から始まる。Ornith-1.5はより難しい課題を提案し、課題固有のスキャフォールドを作成または修正し、そして解答を試みる。報酬はこれら三段階すべてに流れ、問題の品質、評価セットアップ、解答に対するモデルへのフィードバックを与える。

Ornith AIは生成された課題を妥当性、難易度、新規性で評価する。提案された課題は実行可能で検証可能でなければならず、モデルの現在の能力のフロンティア付近に位置し、過去の作業と十分に異なっていて有用な学習信号を追加する必要がある。Ornith AIは目標となる解答成功率を0.2に設定し、モデルが通常失敗する課題を優先する一方で、強化学習のための十分な成功ロールアウトを保持する。

ハーネスは、課題に一致すること、解答品質を正確に測定すること、報酬ハッキングに耐えることについて独自の報酬を受ける。これが設計上の難しい部分だ。試験と採点スクリプトの両方を書くシステムは、誤ったテスト、隠れたショートカット、あるいは誤った行動を報いる基準によって自身に簡単な点数を作り出すことができる。公式のOrnith-1.0 repositoryはベンチマーク用ハーネス、アンチハッキングフィルタ、リソース設定を文書化しているが、Git履歴の削除やネットワークブロッキングを含むより具体的な評価プロトコルを裏付ける記述はしていない。

「自己改善」というラベルはトレーニング手順を表す。ダウンロードされたモデルがユーザーの電話やワークステーション上で継続的に自己再学習するわけではない。Ornith AIはモデル開発中にループを実行し、得られた重みを公開する。

3つのサイズ、3つの異なるデプロイの賭け

Ornith-1.5はHugging Face コレクションで提供され、3970億パラメータのmixture-of-expertsモデル、トークンあたり3Bのパラメータをアクティブにする35BのMoEモデル、そして9Bのdenseモデルが含まれる。Ornith AIはiPhoneおよびAndroid展開向けの量子化された9Bモデルのモバイル版についても説明している。

397BのリリースはOrnith AIのオープンフロンティア賭けだ。35Bモデルはより大きなスパースモデルをメモリに保持でき、かつアクティブなパラメータ数が少ないことで推論コストを支払える開発者を対象としている。9Bモデルは三つの中で最もアクセスしやすく、Ornith AIはローカルデプロイを文書化し、Appleハードウェア向けのMLX buildを公開している。

モバイルおよびローカルリリース戦略は、ホストされたデモに頼らずシステムをテストする手段を開発者に提供する。実際のトレードオフは量子化、利用可能なメモリ、ランタイムサポート、ジョブの長さに依存する。

前世代については、Ornith AIの公式 Ornith-1.0 ドキュメントがMITライセンスの下でbf16、FP8、GGUFチェックポイントを列挙している。Ornith-1.0-9B model cardには、bf16で約19GBのフットプリントとネイティブな262,144トークンのコンテキストウィンドウが記載されている。Ornith AIの公式ドキュメントは、約100万トークンのRoPEまたはYaRN拡張を主張してはいない。

ベンチマークはハーネスを伴う

Ornith AIは報告しているところによれば、Ornith-1.5-397BはTerminus-2を用いたTerminal-Bench 2.1で86.1を、DeepSWEで56.0を記録した。Ornith AIはこれらの結果を、Claude Opus 4.8の85.0および59.0、DeepSeek-V4-Flash-0731の82.7および54.4、GLM-5.2の81.0および46.2と比較している。

35Bでは、Ornith AIはClaude Codeを用いたTerminal-Bench 2.1で68.5、SWE-bench Verifiedで79.0を報告している。9Bモデルは同じ二つの評価でそれぞれ47.0と70.6と報告されている。

これらの詳細は、見出しの数値が示すことに制約を与える。エージェンティックなコーディングのスコアはモデルとハーネスのペアを測るものであり、スキャフォールドを変更すると結果は実質的に変わり得る。Ornith AIの比較は、モデルとハーネス構成が外部の評価者によって再現されるまで、公開された企業内評価として読まれるべきだ。

Ornith-1.0 repositoryは、いくつかの以前のベンチマーク結果を5回の平均として報告し、サンプリング設定、コンテキストウィンドウ、タイムアウト、計算割当、エージェントハーネスを公開している。これらの開示はOrnith-1.0に適用され、Ornith-1.5のスコアのドキュメントとして扱うべきではない。

それでもリリースは開発者に具体的なテスト手段を提供する。Ornith AIはモデルの重み、サービング手順、量子化フォーマットを公開しており、ホストされたデモへのアクセスを制限する代わりにこれらを提供している。以前のOrnith-1.0 repositoryは、新しいチェックポイントに既存のオープンソースの出発点を与えている。

Ornith AIのより大きな賭け

Ornith AIは、人間が作成したトレーニング課題のコストが高くなり、既存のベンチマークが識別能力を失いつつある中で重要度を増している制約を中心に構築している。自らの能力のギャップを特定し、それに基づいて有効な演習を構築できるモデルは、モデル自身の進歩に合わせて迅速に移動するカリキュラムを生成できる可能性がある。

弱点も同様に明白だ：生成された課題は、その採点環境が忠実で困難であり、搾取に対して耐性がある場合にのみ有用である。Ornith AIはその評価レイヤーを学習システムの一部に組み込み、報酬設計により多くの責任を負わせている。

Ornith-1.5はその研究命題を三つのダウンロード可能なモデルサイズへと転換した。オープンな重みにより開発者は実際の結果を検査し、公開されたレシピを実行し、Ornith AIの自己生成カリキュラムがベンチマーク環境から実際のコードベースへと転移するかどうかをテストできる。モデルが自己採点を終えた後に重要なのは、そのテスト結果が実世界に移るかどうかだ。