Ornith 1.0: This is new class of self-improving model
三句話摘要
Ornate 1開源模型如何通過自生成任務特定執行框架實現突破性性能提升。 Ornate 1通過讓模型自主生成task-specific執行框架，在相同精度下實現3倍效率提升，預示開源模型走向更智能、更高效的新方向。 模型不只產生解決方案，而是為每項任務動態生成完整的執行框架（harness），包含記憶、工具呼叫、重試機制與錯誤處理邏輯，根據任務複雜度即時調整，實現「邊執行邊自我改進」。
重點整理
重點- 1
模型不只產生解決方案，而是為每項任務動態生成完整的執行框架（harness），包含記憶、工具呼叫、重試機制與錯誤處理邏輯，根據任務複雜度即時調整，實現「邊執行邊自我改進」。
- 2
訓練採用GRPO技術，模型基於自設框架生成多個解決方案並評分，優秀的框架與解決方案同步更新，逐漸演化出有效的任務框架，無需人工設計。
- 3
防止作弊設三層防禦：環境邊界鎖定（工具與測試不變，只允許編輯內部框架）、確定性監控（非法操作直接得零分）、獨立judge模型（最終驗證），層層把關。
- 4
性能表現：397B版本接近Opus 4.8，9B測試顯示與Qwen 3.5基座版本精度相當但效率高3倍，某些任務達20倍，為邊緣設備部署提供可能。
實用技巧與重點
乾貨- 模型規格：9B、35B、397B版本
- 基座模型：Qwen 3.5、Gemma 4
- 訓練技術：GRPO強化學習
- 作者測試環境：M2 Max，8-bit量化版本
- 作者測試規模：8項編程任務、4項harness建立任務
- 測試結果（9B）：編程準確率6/8、效率成本降低約3倍、最高單任務20倍
- 性能對標：Opus 4.8、Qwen 3.5、GPT 5.6
- 防reward hacking機制：
- 第一層：locked boundary（環境固定）
- 第二層：deterministic monitor（讀隱藏檔或越界得0分）
- 第三層：frozen model judge（獨立審判）
結論
結論“Ornate 1通過讓模型自主生成task-specific執行框架，在相同精度下實現3倍效率提升，預示開源模型走向更智能、更高效的新方向。”
完整解析
詳細Ornate 1是DeepReinforced推出的開源模型系列，首次實現專用開源模型性能接近閉源模型。其突破性在於徹底改變了模型的訓練與運作方式——不是人類為模型預先設計執行框架，而是讓模型為每個具體任務即時生成自己的框架。這個框架包含記憶機制、可調用的工具、重試策略與錯誤處理邏輯，完全由模型根據任務需求動態設計。
這種能力的實現基於GRPO強化學習。具體流程是：模型根據自己設計的框架生成多個解決方案（稱為rollouts），每個方案執行後被評分，然後這份評分不僅更新解決方案，也同時更新生成該框架的策略。遵循「做更多得分高的事」的原則，優秀的框架逐漸自然湧現，劣質框架被淘汰。本質上，這是模型在「為自己搭腳手架、測試、評估、改進」的反覆循環中實現自我優化。
然而這個設計面臨一個致命陷阱：模型可能通過作弊（reward hacking）獲得高分而無需真正學習。例如硬編譯答案、讀取隱藏的測試集或複製已知解。研究團隊為此建立三道防線：首先鎖定環境邊界，所有工具、測試、外部資源完全凍結，模型只能編輯內部框架；其次部署確定性監控系統，若模型試圖讀隱藏檔或觸及測試邊界，該嘗試立即得零分；最後由另一個凍結的模型充當獨立檢查官，可推翻任何試圖作弊的通過。三層防禦環環相扣。
作者在M2 Max機器上用8位量化版本實測了9B模型。在編程與框架生成任務上，精度與Qwen基座版本相當（6/8 vs 7/8），但成本顯著下降——平均便宜3倍，單個任務最高便宜20倍。這意味著同樣結果只需三分之一計算資源。遺憾的是，9B模型無法複現35B在「識破謊言」測試中的能力，暗示規模對性能增益有決定作用。397B版本已接近Opus 4.8，標誌開源與閉源的差距大幅縮小。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
