ハクソク

世界を動かす技術を、日本語で。

オーニス-1.5: 自己足場から自己改善へ

2026年8月19日原文(ornith.ai)

概要

  • Ornith-1.5 は自己改善型基盤モデル構築の大きな進歩
  • モデル自身が新しいタスク生成・評価・解決を行い、強化学習で性能向上
  • 397B MoE/35B MoE/9B Denseの3スケール展開
  • コーディング・推論・エージェント分野で同規模OSSモデルを大幅に上回る性能
  • モバイル対応の軽量版も登場し、幅広いデバイスでの利用が可能

Ornith-1.5：自己改善型基盤モデルの新展開

  • Ornith-1.5 は、自己スキャフォールディング（self-scaffolding）フレームワークを拡張し、タスク生成・スキャフォールド構築・解決ロールアウトまでを自己完結的にループする自己改善型モデル
  • モデル自身が新たなタスクを提案し、タスクごとにスキャフォールド（指示やツール、分解戦略など）を生成・最適化
  • 生成されたタスクに対してロールアウト（解決手順）を作成し、強化学習を通じて継続的に自己能力を向上
  • 3つのモデルスケール（397B MoE、35B MoE、9B Dense）を用意。最上位の397B版は Claude Opus 4.8 と同等の性能を実現し、GLM-5.2やDeepSeek-V4-Flash-0731などのOSSモデルを上回る
  • Ornith-1.5-9B はモバイル（iPhone/Android）にも展開可能で、より大型モデル（Gemma 4-31B、Qwen 3.6-35B）を凌駕する性能

自己生成タスク・スキャフォールド・解答による自己改善ループ

  • Ornith-1.5は、タスク生成・スキャフォールド構築・ロールアウト最適化を同時に最適化
  • 人手による固定タスクや設計済みハーネスに依存せず、モデル自身が新規トレーニングタスクを生成。未解決・難易度の高いタスクを発見し、学習フロンティアを拡張
  • 各タスクごとに、タスク特化型スキャフォールド（指示・分解・評価環境など）を生成・改善
  • タスクとスキャフォールドをもとに解答ロールアウトを生成し、その報酬を3段階（タスク生成・スキャフォールド構築・ロールアウト）に伝播
  • このループを繰り返すことで、より難易度の高いタスクや多様なスキャフォールド・解答戦略を自発的に開発

タスク報酬設計

  • タスク→スキャフォールド→ロールアウトの流れで、 有効性（Validity）・フロンティア難易度（Frontier Difficulty）・新規性（Novelty） の3要素を掛け合わせてタスク報酬を算出
    • 有効性 ：タスクとスキャフォールドが正しく実行・評価できるか（0-1で判定）
    • 難易度 ：モデルの現状能力に近い成功率（p* = 0.2）を目指すタスクを高評価
    • 新規性 ：既存タスクとの類似度を下げ、多様性を確保
  • 有効性が0の場合は他の要素が満たされても報酬ゼロ（不正タスク排除）

ハーネス・ロールアウト報酬設計

  • ハーネス（評価環境）は、 タスク整合性・報酬忠実性・ハック耐性 の3要素で評価
  • ロールアウト（解答）はハーネスによる直接評価（例：バイナリ合格/不合格、複合的な正確性・効率・制約充足度など）
  • これら3段階すべてをGRPO（強化学習法）で同時最適化

ベンチマーク比較（抜粋）

Ornith-1.5-397B

  • Terminal-Bench 2.1： 86.1 （Claude Opus 4.8：85.0、GLM-5.2：82.7）
  • DeepSWE： 56.0 （Claude Opus 4.8：59.0、GLM-5.2：46.2）
  • SWE-bench Verified： 86.0
  • Reasoning（HLE with tools）： 56.1
  • Agentic（MCP-Atlas）： 80.0

Ornith-1.5-35B

  • Terminal-Bench 2.1： 67.8 （Qwen 3.6-35B：52.5、Gemma-4-31B：42.1）
  • SWE-bench Verified： 79.0
  • Reasoning（HLE with tools）： 33.4

Ornith-1.5-9B

  • Terminal-Bench 2.1： 46.2 （Qwen 3.5-9B：21.3、Gemma-4-31B：42.1）
  • SWE-bench Verified： 70.6
  • Reasoning（HLE with tools）： 30.5

評価手法とセーフガード

  • 各ベンチマークは 5回の独立実行の平均値 で評価
  • Terminal-Bench 2.1はHarbor/Terminus-2フレームワーク（128K context, 32CPU, 48GB RAM, 4時間タイムアウト）で実施
  • SWE-Bench系はOpenHandsハーネス＋アンチハッキング対策を適用
  • Qwen chatテンプレートやHarborの細部も調整し、推論時の一貫性を確保

まとめ

  • Ornith-1.5 は、自己生成タスク・スキャフォールド・解答による完全な自己改善ループを実装
  • モデル自身の能力向上に合わせてカリキュラムが自動進化
  • コーディング・推論・エージェント系タスクでOSSトップクラスの性能を発揮
  • モバイル展開も可能な軽量モデルで、幅広い応用が期待

Hackerたちの意見

ornith-1.5のベースモデルはどうやって開発されたの？ベースモデルはOpen weightsモデルの一つなのか、それともornithチームがゼロから事前学習させたものなのかな？この記事にはその答えが見つからなかった。

└

Qwen3.6をポストトレーニングしたみたいだね。どれだけ改善できたのか、彼らのハーネスやアルゴリズムで見てみたいな。

これを試すのが待ちきれない！ornith1（9B）は本当に良いモデルだった。今はローカルでこれを動かしてるよ - https://github.com/deepanwadhwa/samosa-chat

└

それを何に使ったの？私はそれなりに使えると思ったけど、実際に使うほどの価値はないかな（1 9Bってことね）。

今日は35B-A3Bを使ってウェブスクレイピングの作業をしてたけど、Qwen3.8 27Bと同じくらいの性能で、しかもかなり速くて高い量子化（q4対q8）だった。感心してるよ。

└

二つの間で実際のベンチマークを取ってくれる人が必要だな。

└

Qwen 3.8 27Bを使うためにUD-Q3_K_XLにダウングレードしなきゃいけなかったけど、これでVRAMに収まって使えるようになった。でも、少し知能を削ってしまってるんじゃないかと心配してる。もっと速くて使いやすい代替品が欲しいな、Q3をダウングレードした27Bと互角に戦えるやつ。

これが本物であることを願ってる。Qwenから35B-A3Bを3.8ラインナップにリリースしないという信号を見るのは残念だね。MoEアーキテクチャは、これらのローカルモデルを合理的な消費者ハードウェアで動かすのに大きな違いをもたらすよ。

└

正直な質問・提案なんだけど、HNの皆さんへ。QwenがQwen3.8 2.4T-A95Bの重みを公開したし、Qwen3.6 35B-A3Bのスタート地点もあるから、誰かが大きいモデルを蒸留して「擬似」Qwen3.8 35B-A3Bを作れないかな？公式のQwenリリースじゃないけど、Qwen 3.6を改良して、みんなが求めてるものを手に入れることはできるんじゃないかな。これを提案として言ってるのは、私にはその意欲もリソースもないからなんだ。

└

個人的には、推測デコーディングの方がMoEよりもずっと良い戦略だと思う。パフォーマンス的には、2x4090で90-100 t/s出てるし、すごく賢い。ほんとにフィットしてるよ。

└

簡単なテストをした感じでは、推論やツール使用がかなり得意みたいで（思考を確認するために検索したくなる）、考えるのにあまり時間を無駄にしないみたい。だから、すごく速いと感じる。ただ、コーディングに関してはQwen 3.6 35Bよりも良くないみたい。ちょっと劣るかなと思うけど、もっとテストしてみるつもり。もし35BモデルをVRAMに収められるマシンがあるなら、Muse Glimmerをテストしてみることをおすすめするよ（記憶からだけど）システムプロンプトで推論の強さを「低」に設定して。密度の高いモデルだけど、実際にはQwen MoEよりもコード問題を解くのが速いんだ。生のトークン性能は5分の1しかないのにね。

└

今、qwen3.8 27Bを普通のハードウェア（OEMスパーク）で動かしてるんだけど、正直言って、スピードのためにMoEを使うのをやめたよ。密度の高いモデル（より多くのアクティブパラメータを持つ）が出力品質に本当に違いをもたらすんだ。

Hacker Newsで議論の続きを見る