Ornith-1.5 2026 : 397B open weights et curriculum auto-généré

Ornith-1.5 a livré des poids ouverts le 19 août. On sépare ici les chiffres officiels de la note MIT / Hugging Face de GIGAZINE.

Le 19 août 2026, Ornith a mis en ligne trois tailles de poids ouverts : un grand MoE à côté des scores agents d’un fleuron fermé, et un Dense 9B que les auteurs disent quantifiable sur téléphone.

L’objet est Ornith-1.5. Le blog officiel parle d’auto-amélioration de bout en bout : le modèle propose des tâches plus dures, écrit un échafaudage, puis produit des rollouts pour l’apprentissage par renforcement. Ce qui suit n’est que chiffres officiels et note GIGAZINE — pas une reproduction externe d’une victoire sur Opus.

Ce qui est sorti

Le texte dit que 1.5 étend 1.0, et que 1.0 a été bâti sur Qwen3.5 et Gemma 4 avec pré-entraînement continu, mid-training et post-training. 1.5 fait passer la boucle de l’optimisation des échafaudages et rollouts à l’optimisation conjointe de la génération de tâches.

Chiffres vérifiables

1. 1

   Les trois tailles sont nommées

   Liste officielle : Ornith-1.5-397B (MoE), Ornith-1.5-35B-A3B (MoE, 3B actifs par jeton), Ornith-1.5-9B (dense). GIGAZINE a aussi nommé Ornith-1.5-9B-Mobile pour iPhone et Android.

2. 2

   397B contre Opus 4.8 est mixte, pas un balayage

   Le texte donne 86,1 sur Terminal-Bench 2.1 et 56,0 sur DeepSWE, « on par » avec Opus 4.8 à 85,0 et 59,0. Terminus-2 est au-dessus, DeepSWE en dessous. Face à GLM-5.2 et DeepSeek-V4-Flash-0731, les auteurs revendiquent une avance parmi les modèles ouverts de taille proche.

3. 3

   Le curriculum est généré ; la récompense a une porte dure

   Chaque cycle propose des tâches plus dures, écrit un échafaudage (consignes, outils, décomposition, orchestration) puis des rollouts. Récompense = validité V × difficulté de frontière D × nouveauté N. V=0 annule le terme. La difficulté use le taux de succès courant, cible p*=0,2. Les trois étages utilisent GRPO.

La boucle officielle : des politiques plus fortes produisent des tâches plus dures et informatives ; des échafaudages qui évoluent extraient plus de capacité ; de meilleurs rollouts fournissent le signal suivant. Claim de méthode, pas un audit externe.

# Official 1.5 loop (2026-08-19)
propose harder tasks
generate / refine scaffold
produce solution rollouts
R_task = V * D(p*=0.2) * N
optimize three stages with GRPO

Lecture et limites

« On par with Opus » ≠ en tête sur chaque ligne

Sur leur propre colonne DeepSWE, le 397B est derrière Opus 4.8 (56,0 contre 59,0). Les avances Terminal-Bench dépendent du harness (Terminus-2 vs Claude Code).

Un curriculum maison peut encore être piraté

Le texte définit une récompense d’harness pour alignement, fidélité et résistance au piratage. Notes d’éval : SWE-bench sans historique git ni réseau, NL2Repo avec dépôts et pip bloqués. Ce sont leurs contrôles, pas une preuve d’ininjouabilité.

Ce qui est ouvert est le checkpoint, pas la facture d’entraînement

Poids, notes de service et formats quantifiés ont été publiés. Le calcul et les traces de données du curriculum ne sont pas écrits comme un budget reproductible ligne à ligne.

Questions à recouper