Ornith ist eine offene Familie von Programmiermodellen, die sowohl was geuebt wird als auch wie geuebt wird dem Modell selbst ueberlaesst, und der Name kommt vom griechischen Wort fuer Vogel.

Ornith kommt vom KI Forschungslabor DeepReinforce und zielt auf agentisches Programmieren. Es bleibt nicht dabei, ein Modell in einem festen Trainingsablauf genauer einzustellen, sondern gibt die Organisation des Trainings selbst an das Modell zurueck: die Aufgabe wird vom Modell vorgeschlagen, das Geruest zum Loesen baut das Modell, und die Spuren der Loesung erzeugt ebenfalls das Modell. Der Anbieter nennt diesen Weg Selbstverbesserung und macht ihn zur Hauptlinie der ganzen Familie.

Bisher gibt es zwei Generationen. Ornith-1.0 vom Juni 2026 brachte den Rahmen des eigenen Geruests, Ornith-1.5 vom August 2026 weitete ihn von der gemeinsamen Abstimmung von Geruest und Loesung zu einem vollstaendigen Kreis der Selbstverbesserung aus.

Vom eigenen Geruest zum Kreis der Selbstverbesserung

Der Kern von Ornith-1.0 ist, das Geruest als etwas Lernbares zu behandeln. Im gewoehnlichen bestaerkenden Lernen sind die Reihenfolge der Werkzeugaufrufe, die Wiederholungslogik nach einem Fehler und die Ordnung des Gedaechtnisses durch ein handgeschriebenes Skelett festgelegt, und das Modell liefert nur die Loesung darin. Bei Ornith-1.0 schlaegt das Modell in jeder Trainingsrunde zuerst aus der Aufgabenbeschreibung eine feinere Fassung des Geruests vor und erzeugt dann Loesungsspuren unter diesem Geruest; bekommt eine Loesung Belohnung, fliesst sie sowohl an das Schreiben des Geruests als auch an das Schreiben der Loesung zurueck. Nach genug Runden entsteht die Ablaufsstrategie fuer jede Aufgabenart von selbst, ohne dass ein Mensch sie Klasse fuer Klasse vorgeben muss.

Ornith-1.5 treibt den Gedanken weiter. Der Trainingskreis geht von zwei auf drei Stufen: das Modell schlaegt eine neue, schwerere Aufgabe vor, baut fuer sie ein eigenes Geruest und erzeugt unter diesem Geruest die Loesungsspuren. Die Belohnung laeuft durch alle drei Stufen, gelernt wird also nicht nur genaueres Loesen, sondern auch das Stellen wertvollerer Aufgaben und das Bauen wirksamerer Gerueste.

Wie die Aufgaben gestellt werden: drei Belohnungen multipliziert

Laesst man ein Modell seine Aufgaben selbst stellen, liegt das Risiko auf der Hand: es sucht die weichen Ziele, oder es erzeugt immer wieder dasselbe mit kleinen Unterschieden. Ornith-1.5 begrenzt die Richtung, indem drei Signale multipliziert werden: Gueltigkeit, Schwierigkeit an der Front und Neuheit. Gueltigkeit misst, ob Aufgabe und Geruest eine klar bestimmte, pruefbare Lernumgebung bilden; laeuft das Geruest nicht, oder passen die Bewertungsmassstaebe nicht zur Aufgabenbeschreibung, faellt dieser Teil auf null und die ganze Aufgabe bringt nichts ein.

Die Schwierigkeit an der Front wird aus der tatsaechlichen Erfolgsquote des Modells auf einer Aufgabe geschaetzt. Je naeher diese Quote an 0.2 liegt, desto hoeher die Belohnung; wird das Modell in einer Art sicherer, rutscht die Belohnung fuer diese Aufgabe von selbst nach unten und die Richtung wandert zu schwererem Gelaende. Neuheit unterdrueckt Wiederholung und wird umgekehrt aus der groessten Aehnlichkeit zwischen der aktuellen Aufgabe und einem Puffer frueherer Aufgaben bewertet. Multipliziert heisst das: nur eine Aufgabe, die zugleich pruefbar, fordernd und nicht wiederholt ist, bringt etwas ein.

Drei Groessen und die offiziellen Zahlen

Ornith-1.5 kommt in drei Groessen, die die ganze Spanne vom Rechenzentrum bis zum Geraet in der Hand abdecken: die Fassung mit 397B als Mischung von Fachwerken fuer Spitzenfaelle, die Fassung 35B-A3B, die je Zeichen nur etwa 3B Parameter aktiviert, und die dichte Fassung mit 9B fuer eine Karte oder ein Geraet am Rand. Ueber diese drei hinaus bot die vorige Ornith-1.0 noch ein dichtes Modell mit 31B. Alle Pruefpunkte der Familie teilen eine Schnittstelle im Stil von OpenAI.

Groesse

Terminal-Bench 2.1

SWE-bench Verified

Hardware

397B MoE

86.1

86.0

Knoten mit mehreren Karten

35B-A3B MoE

68.5

79.0

Mittleres Team

9B Dense

47.0

70.6

Eine Karte und Geraet

Von der 9B Fassung gibt es zusaetzlich eine verkuerzte Mobile Fassung, die laut Anbieter direkt auf iPhone und Android Geraeten laeuft. Alle drei unterstuetzen ein Fenster von 256K, also 262.144 Zeichen, und mit einem YaRN Faktor von 4.0 laesst sich das auf etwa eine Million Zeichen strecken.

Wie es laeuft: Schlussfolgern lokal und eine offene Lizenz

Die Familie sind Modelle, die schlussfolgern, also beginnt die Antwort standardmaessig mit einem think Block vor der endgueltigen Antwort; das offizielle Rezept gibt diese Gedankenkette in einem eigenen Feld zurueck und oeffnet das Auswerten von Werkzeugaufrufen, was den Einbau in Rahmen zur Steuerung von Agenten erleichtert.

Zum Betrieb: Ornith hat keine gehostete Schnittstelle und keine Preisliste, alle Faehigkeit erscheint als Gewichte und muss selbst ausgerollt werden. Der Anbieter liefert Rezepte fuer Stapel wie vLLM und SGLang und eine eigene Konfiguration fuer langen Zusammenhang; verkuerzte Formate decken GGUF und MLX ab, also laeuft es lokal ueber llama.cpp und Ollama.

Die Gewichte erscheinen unter der MIT Lizenz, und der Anbieter beschreibt sie als weltweit zugaenglich und ohne regionale Begrenzung, weder Forschung noch gewerblicher Einsatz brauchen einen zusaetzlichen Freigabeschritt.

Ornith ueberlaesst was geuebt wird und wie geuebt wird dem Modell selbst: Aufgaben stellen, Geruest bauen und Loesung schreiben bilden einen geschlossenen Kreis, und Gueltigkeit, Schwierigkeit und Neuheit werden multipliziert, um die Richtung zu halten. Drei Groessen decken Hardware vom Rechenzentrum bis zum Handy ab, und die MIT Lizenz mit rein lokalem Betrieb kauft die voellige Freiheit der Nutzung.