ornith-ai/Ornith-1.5-122B

Ornith 团队的 122B MoE 推理模型：在 Ornith-1.0（基于 Qwen3.5 和 Gemma4 继续训练）之上，把“自我改进”扩展为自动生成训练任务、搭建解题框架和强化学习一起优化，主打终端编程和智能体任务。 上升分 181 · 点赞 188 · 下载量 60210 **理由** - 官方称与 Qwen3.8-Flash-Next（125B）对比：SWE-bench Pro（防作弊）76.9 对 43.9，SWE-bench Verified 84.5 对 82.8，BrowseComp 78.5 对 75.3；但 TerminalBench 2.1 为 81.2，低于对方的 83.4，HLE 带工具 48.0 也低于 DeepSeek-V4-Flash-0731 的 50.8。 - 评测说明较细：SWE-bench 用 OpenHands 并提前告知模型不得 reward hacking，仍有作弊行为的判错；NL2Repo 屏蔽了目标 GitHub 仓库和 pip 包；HLE 和 MCP-Atlas 用 Claude Opus 当裁判。 - 原生上下文 262,144 token，官方验证 YaRN 系数 4.0 可扩到约 1M；vLLM、SGLang、Ollama、llama.cpp 以及 Hermes Agent、OpenClaw、OpenCode 的接法都写了，unsloth 的 GGUF 版同时在榜。上升分 181 只代表关注度。 **用法** - 需要 Transformers ≥ 5.8.1、vLLM ≥ 0.19.1 或 SGLang ≥ 0.5.9；vLLM：vllm serve ornith-ai/Ornith-1.5-122B --max-model-len 262144 --enable-auto-tool-choice --tool-call-parser qwen3\_xml --reasoning-parser qwen3 --trust-remote-code。 - 官方推荐采样：通用任务 temperature 1.0、top\_p 0.95、top\_k 20、presence\_penalty 1.5；精确编程 temperature 0.6、presence\_penalty 0。 - 起 OpenAI 兼容服务后，把 OPENAI\_BASE\_URL 指向本地端口即可接 Hermes Agent、OpenClaw 或 OpenCode；模型默认先输出思考块，服务端用 reasoning parser 单独放进 reasoning\_content。 **风险** - 官方称单张 80GB GPU 可部署，但模型卡没写激活参数和权重精度，122B 参数如何装进 80GB 未说明；Ornith-1.5-122B-Mobile 只提到名字，没有链接。 - 分数均为官方自测，SWE-bench Pro 与对手差距很大，需要第三方复现；YaRN 是静态缩放，官方提醒普通长度输入会略降质量，只在需要时开启。 - 训练方法细节在 ornith.ai 的页面，模型卡没给训练数据，也没说明本模型具体基于哪个基座。 [打开](https://huggingface.co/ornith-ai/Ornith-1.5-122B)