地表最強程式設計小模型 Ornith-1.0 騰空出世啦！💪
他們推出一系列專為代理式程式設計打造的開源大型語言模型，涵蓋 9B Dense、31B Dense、35B MoE 與 397B MoE。
它在多個編碼基準測試中表現亮眼，包括 Terminal-Bench 2.1、SWE-Bench、NL2Repo、SWE Atlas 與 ClawEval，於同級開源模型中達到前段水準。
Ornith-1.0 基於 gemma4 與 qwen3.5 後訓練，並採用自我改善訓練策略：不只讓模型學會產生解法，也讓它學會為任務建立更好的腳手架（Self-Scaffolding）。
這代表代理式程式設計模型（Agentic Coding）的競爭，已經不只是單純的「會寫程式」，而是「能不能更好地規劃、拆解與完成任務」。
所有模型皆以 MIT 授權釋出，可用於商業與研究用途。🎁
Ornith-1.0 開源模型家族成員
Ornith 提供四種不同參數規模的模型，滿足本地部署至大型伺服器的多元需求：
最適合本機開發端點部署，記憶體佔用極低。在 MacBook Air / Pro M 系列晶片上可實現高速流暢的本地推理。
效能與運算資源的黃金平衡點，能處理更長且更具深度脈絡的程式架構推理，為中型專案的首選。
採用 Mixture of Experts 架構，激活參數小、推論吞吐量極高，完美契合需要高頻率、低延遲回覆的 Agent 連續任務。
模型家族旗艦。專為大型私有雲與企業內部高密級運算設計，展現出極強的全局架構規劃與錯誤重試調試能力。
何謂「自我改善的腳手架」機制？ (Self-Scaffolding)
傳統的程式設計 AI 往往採用單步推導（Single-Step Inference）：輸入提示詞後直接生成程式碼。這在面對複雜架構時極易因為語法、環境差異或隱式 Bug 而失敗。
Ornith-1.0 引入的 Self-Scaffolding 策略則要求模型自發建立「驗證腳手架」：
❌ 傳統程式碼生成流程
✨ Ornith-1.0 自主腳手架流程
這代表 AI 程式模型已經跨越了單純「拼湊語法」的階段，正式走向具備「自我規劃、自主構建與自定義測試」的端到端 Agent 化開發運作模式。
💻 本地快速部署與實戰呼叫
您可以使用 Ollama 在本機免設定直接執行 Ornith-1.0 模型：
# 下載並在本地端運行 9B 程式小模型 ollama run ornith:9b
或是使用 Python 的 LangChain 連接本地端服務做自主代理任務開發：
from langchain_community.llms import Ollama # 初始化本地 Ornith-1.0 服務 llm = Ollama(model="ornith:9b") # 提供任務與腳手架建立指令 prompt = "請建立一個自動化資料清洗腳本，並為此腳本撰寫一組測試腳手架，自主跑測通過後輸出程式碼。" response = llm.predict(prompt) print(response)