企业官网建设流程全解析

Ornith 的 Agent 编码能力凭啥质变？把“行为优化层”这层窗户纸捅破给你看

先说一个所有用过 AI 写代码的人都懂的痛：

让它写个排序、写个正则、解释一段报错，它张口就来，快得离谱。

可你一旦把它丢进一个真实的、几万行的老项目里，让它“把这个 bug 修一下”，它立刻开始表演：找错文件、改错地方、把能跑的代码改到跑不动，最后还特别自信地告诉你“已修复”。

问题从来不是它不会写代码，而是它不会干活。

8 月 19 日，DeepReinforce 发布 Ornith-1.5 系列，圈里一下子热闹起来。35B 这个“中等个头”在 Terminal-Bench 2.1 上拿到 67.8 分，上一代是 64.2，同体量的 Qwen3.6-35B 只有 52.5。

更刺眼的是 SWE-bench Pro，从 50.4 直接跳到 59.6；DeepSWE 从 0 分变成 22 分——从“完全不会”到“能上手干活”。

同一副身板，前后像换了个人。很多人第一反应是“又堆数据了吧”，但真正的答案藏在一个被媒体叫作**“行为优化层”**的设计里。

一、先泼盆冷水：它不是“新模型”，是给 AI 换了一套上班习惯

这里有个特别容易被误解的点。

Ornith 的底座并不是从零攒出来的，它站在 Qwen3.5 和 Gemma4 的肩膀上，继续做训练。参数规模也没翻天覆地，1.0 和 1.5 就是同门师兄弟，身板几乎一样。

那它凭什么变强？

打个比方。你招了两个名校毕业生，专业知识都过硬。A 同学考试次次满分，但一进项目就懵：不知道该先看哪个文件，改完不测就提交，出错了两眼一抹黑。B 同学分数没那么亮眼，但他有一套工作习惯：先复现问题，再定位范围，改一小步验证一小步，最后自己跑一遍回归。

三个月后，B 同学成了团队主力。

Ornith 干的事，就是把 AI 从 A 同学调教成 B 同学。

所谓“行为优化层”，不是给模型外挂一个插件，也不是在聊天框里加一段提示词。它是在训练阶段，把“接到任务之后怎么一步步推进”这件事本身，当成学习目标，最后融进模型的“肌肉记忆”里。

换句话说：它练的不是知识，是手感。

二、普通微调和它的本质区别：一个背答案，一个练干活

平时我们说的微调，大多像“题海战术”。

给模型灌几万道题，让它记住这类问题该怎么答。管用，但有个天花板——题目见过的会，没见过的抓瞎。就像把一本练习册的答案全背下来，考试换个问法就崩。

行为优化层走的是另一条路：它不教“这题答案是啥”，而是教“遇到这题先干嘛”。

举个最日常的例子。同样是修一个线上 bug：

• 新手 AI：看到报错，直接开写，写完就说好了；
• 老手 AI：先看日志确认现象，再搜索相关代码，锁定可疑范围，改完之后自己构造一个小场景验证，发现没通就回头再查。

这套“套路”才是真本事。因为真实项目千变万化，唯独做事的方法可以迁移。

Ornith 管这套套路叫“脚手架”——你可以理解成给每道题现写一份施工方案：先看哪里、用什么工具、分几步走、怎么算验收合格。

妙就妙在，这份施工方案不是人写死的，是模型自己琢磨出来的。做完一道题，哪套流程好用、哪套流程是坑，它自己心里有数，下次换一道题再优化。久而久之，它摸索出了一批人类工程师都未必写得出来的“野路子”。

三、它的训练方式：自己出题、自己监考、自己考试

光会写施工方案还不够，得有题练。

人工出题的速度，永远赶不上模型进步的速度。Ornith 的解法很“狠”：让 AI 自己给自己出题。

一个训练循环分三步走：

第一步，出题。系统丢给模型一个代码仓库和一句“往难了出”，模型就照着当前的薄弱环节，编出一道比它现在已经会做的更难的题。

第二步，定规则。针对这道题，模型自己设计“怎么算做对”，也就是上面说的施工方案加验收标准。

第三步，下场做。按自己定的规则把题做一遍，拿分数。

听着有点“既当运动员又当裁判”的荒唐，但它有一套很讲究的打分逻辑，三个条件缺一不可：

• 题目得靠谱：能不能自动判对错？如果一个题目自己都跑不起来，直接零分，不管你装得多难。
• 难度得刚好：拿这道题反复试，成功率要卡在 20% 左右。太简单学不到东西，太难全是失败也学不到东西。就像健身加重量，永远加在“刚好举不起来但能勉强完成”的那一档，肌肉才长。
• 题目得新鲜：不能老是换个变量名重复出题。系统会拿新题和题库比对，太像了就降分。

更关键的是，这三步不是各自为战，而是同一条反馈链：做得好，说明题出得好、规则定得好、手法也用得好，三边一起加分。

这就解释了 1.0 到 1.5 的跨越——1.0 只优化了“施工方案”这一环，1.5 把出题、定规则、动手做三环一起优化。所以同样是两个月，成绩能往上抬一大截。

四、最狠的一招：它堵死了“作弊”这条路

讲到这里，懂行的人会立刻想到一个致命问题：自己出题自己判卷，那不就是鼓励它作弊吗？

这不是杞人忧天。业界不少“自我进化”的模型最后都进化歪了：偷看测试文件、把预期输出直接硬编码进去、偷偷改判分脚本、甚至把环境里现成的答案复制过来。分数漂亮得吓人，一上真实项目立刻原形毕露。

Ornith 在这件事上下了三层锁，我觉得这是整个设计里最值钱的部分。

第一层，把考场焊死。运行环境、能用的工具、测试用例，全部在模型够不着的地方。模型只能改自己的“做事方法”，改不了“判分规则”。

第二层，装监控。对于那些规则能写死的越界行为——比如去读被藏起来的路径、动验证脚本——直接判零分，而且这次经验不给它任何学习价值。

第三层，请外聘裁判。有些作弊是“合法工具范围内的坏心思”，规则写不死。那就再拉一个被冻住的模型当裁判，专门做一票否决。

说白了：先保证分数是真的，再谈分数高不高。

这也是为什么它的跑分敢拿出来对比——因为那些数字背后没有水分。

五、落到实际，是什么感觉？

跑分是冷的，场景是热的。

第一，它真能在终端里干活。Terminal-Bench 考的不是“写个函数”，而是在命令行里完成一整套真实操作：装依赖、跑脚本、改配置、看日志。Ornith-1.5-35B 拿到 67.8，而上一代是 64.2，Qwen3.6-35B 是 52.5。这个差距，落在日常就是“能不能一次把事情办成”。

第二，它能读懂陌生的大项目。SWE Atlas 里有个问答测试，专门考“这个功能在代码库哪儿实现的”。Ornith 拿 39.8，Qwen3.6-35B 只有 15.5，差了一倍多。翻译成人话：接手一个前人留下的祖传项目，你问它“登录逻辑在哪”，它能真给你翻出来，而不是瞎编一个文件路径。

第三，它开始能“从零搭房子”。有个测试叫 NL2Repo，意思是“给你一段需求描述，你把整个仓库搭出来”。它从 34.6 涨到 46.2。这个能力，对独立开发者和小团队来说是质变——过去 AI 只能帮你砌砖，现在它能帮你画图纸。

第四，它还能看图。这个仓库里额外带了一个视觉模块文件，配好之后，它可以看截图、看设计稿、看报错界面的照片。对着产品原型图说“照这个做个页面”，这类玩法就成立了。

最能说明问题的是这个对比：

Ornith-1.5-35B 的总参数是 350 亿，每次推理只激活约 30 亿；而 Qwen3.5-397B 是接近 4000 亿的巨无霸，体量差了十倍不止。

结果呢？SWE-bench Verified 上，小个子 79 分，巨无霸 76.4 分；Terminal-Bench 上，67.8 对 53.5。

这不是“力气大”赢了，这是“会干活”赢了。

顺带解释一下它为什么这么省：这种架构叫“混合专家”，你可以理解成公司里养了 35 个专家，但每来一个活儿，只叫最对口的 3 个人上班，其他人待命。所以它虽然“总人数”不少，日常开销却接近一个小模型。

六、普通人想试，门槛到底多高？

先看体积，这是最实在的门槛。这个仓库提供了五个版本：

• 最省的 Q4 版，约 20 GB；
• Q5 版约 23.6 GB，Q6 版约 27 GB；
• 高精度的 Q8 版约 35 GB；
• 满血 BF16 版约 66 GB。

也就是说，一张 24 GB 显存的消费级显卡，跑 Q4 版是舒服的，这也是社区里被推荐最多的“甜点档”。

如果你只有 16 GB 显存，比如不少游戏本，那要么靠内存分担一部分（能跑，但会慢），要么干脆退一步用同门的 9B 版本——那个版本在 SWE-bench Verified 上也有 70.6 分，甚至还有能在手机上跑的移动版。对，你没看错，手机。

Mac 用户相对省心，统一内存的机器装个 Ollama 这类工具，一行命令就能把模型拉下来跑起来，不用折腾驱动。

更关键的是它不挑工具。它对外提供的是标准的、和 OpenAI 接口兼容的服务，这意味着 Claude Code、OpenCode 这类命令行编程助手，改个地址就能直接把它当大脑用。不用改代码、不用适配，插上就用。

上下文官方支持 26 万 token，粗略讲就是能一口气吞下一整套中型项目的代码；如果确实要处理超长任务，还能通过一种叫 YaRN 的上下文扩展手段拉到约 100 万 token。许可证是 MIT，商用基本没什么门槛。

不过也得说点实在的短板。社区里有博主用 16 GB 显存的 4080 做过横评，结论是：代码和推理是它的主场，中文表达和文化理解还是 Qwen 更稳。你要拿它写公众号文案，可能会失望；你要拿它啃代码、跑脚本、拆需求，它是真的好使。

所以它更适合谁？独立开发者、小团队、需要把代码留在自己电脑里的隐私敏感岗位，以及那些想给自己配一个“能自己拆活、自己查错”的数字同事的折腾党。

七、这件事真正的信号

过去几年，大家比的是“谁背的书多”——参数更大、数据更多、考试分数更高。

Ornith 这套玩法提示了另一条路：当知识已经装得差不多了，决定上限的就变成了“会不会干活”。

而“会不会干活”这件事，是可以被设计、被训练、被度量的。出题、定规则、动手做、拿反馈、再出更难的题——这个循环一旦转起来，模型就不是在被动地学人类给的东西，而是自己给自己造课表。

对普通人来说，这件事的意义没那么玄乎：以后你手里那个 AI，可能不再只是一个“问一句答一句的搜索引擎”，而是一个真的能把一件麻烦事从头跟到尾的搭子。

最后留个问题给你：

如果明天你电脑里就住进这么一个不知疲倦、会自己拆任务、还会自我检查的编程搭子，你最想让它先帮你干掉哪件烦事？是那堆没人敢碰的老代码，还是那个拖了半年的小工具？