Ornith-1.5: Die Open-Weight-Modellfamilie, die ihren eigenen Trainingslehrplan schreibt — und behauptet, Claude Opus 4.8 zu schlagen.

Ornith-1.5, die Open-Weight-Familie von Ornith AI, die behauptet, Claude Opus 4.8 in vier Benchmarks zu schlagen, wurde am 19. August 2026 veröffentlicht – und was einen genaueren Blick wert ist, ist die Trainingsschleife, nicht die Parameteranzahl. Die Familie umfasst drei Modelle: Ornith-1.5-397B, ein Mixture-of-Experts-Flaggschiff mit 397 Milliarden Parametern; Ornith-1.5-35B-A3B, eine 35B-MoE, die 3 Milliarden Parameter pro Token aktiviert; und Ornith-1.5-9B, ein dichtes 9B-Modell mit einer quantisierten Mobile-Version. Jede hier genannte Spitzenkennzahl stammt vom Anbieter: Die Zahlen stammen aus Ornith AIs eigenen Evaluierungsläufen, gemittelt über fünf Läufe, und der einzige Drittanbieter-Tracker mit einem Profil – BenchLM – kennzeichnet alle 18 seiner Benchmark-Zeilen als anbietergemeldet und lässt die Familie bis zum Vorliegen unabhängiger Berichterstattung ohne Ranking. Hier ist, was tatsächlich veröffentlicht wurde, was „selbstverbessernd“ wirklich bedeutet und was Sie heute ausführen können.

Was ausgeliefert wurde: drei Skalen, MIT-Lizenz, keine API

Ornith AI — die Gruppe hinter den Open-Weights-Modellen von Ornith-1.0, die auch für die DeepReinforce-Arbeiten zu Multi-Agenten-Systemen für Competitive Programming (GrandCode) und GPU-Kernel-Optimierung (CUDA-L2) bekannt ist — hat die Modellfamilie unter einer MIT-Lizenz auf Hugging Face veröffentlicht, mit FP8-, GGUF-, MLX- und NVFP4-Quantisierungen sowie den Roh-Checkpoints. Ein Kontextfenster von 256K (262.144 Token) gilt für die gesamte Familie. Es gibt keine eigene gehostete API und keinen Token-Preis; es handelt sich um eine Veröffentlichung zum Selbst-Hosten oder für lokale Runtime, und der Launch-Bericht sagt dies unmissverständlich.

Die drei Skalen zielen auf drei verschiedene Realitäten ab:

• Ornith-1.5-397B — das „Open-Frontier-Gebot": ein 397B-MoE, das bei agentischen und Coding-Workloads auf die geschlossene Frontier abzielt.

• Ornith-1.5-35B-A3B — ein 35B-MoE, der pro Token nur 3B Parameter aktiviert, als Mittelweg: Leistung nahe einem Flaggschiff zu einem Bruchteil der Inferenzkosten pro Token eines dichten 35B.

• Ornith-1.5-9B — ein dichtes 9B-Modell für lokale und On-Device-Nutzung, plus einen quantisierten Ornith-1.5-9B-Mobile-Build, der laut Anbieter bereit für den Einsatz auf iPhone und Android ist.

Die obige Startseite ist die gesamte Ankündigung: ein technischer Bericht statt eines Marketingbeitrags, was zum Profil des Labors passt.

Der Selbstoptimierungsanspruch, entschlüsselt

Ornith-1.0, veröffentlicht im Juni 2026, brachte einem Modell bei, das Gerüst rund um Programmieraufgaben zu erzeugen — das Harness, die Zerlegung, die Orchestrierung. Ornith-1.5 erweitert diese Schleife auf die Aufgabengenerierung selbst. Im Training erledigt das Modell jetzt drei Dinge:

• Schlagen Sie neue, schwierigere Trainingsaufgaben vor.

Generiere das aufgabenspezifische Gerüst, das zum Lösen und Bewerten dieser Aufgaben verwendet wird.

• Erzeugen Sie Lösungs-Rollouts, die zu seiner nächsten Runde an Trainingsdaten werden.

Die Belohnung fließt durch alle drei Stufen, die gemeinsam mit GRPO optimiert werden. Jede vorgeschlagene Aufgabe wird nach Validität (sie muss ausführbar und verifizierbar sein), Frontier-Schwierigkeit (die angestrebte Lösungserfolgsrate ist auf 0,2 festgelegt – Aufgaben, bei denen das Modell normalerweise scheitert, aus denen es aber noch lernen kann) und Neuheit (Vielfalt im Vergleich zu allem bereits Gesehenen) bewertet. Das Gerüst erhält seine eigene Belohnung für Ausrichtung, Belohnungstreue und Widerstandsfähigkeit gegen Reward Hacking, und die Pipeline umfasst Anti-Hacking-Schutzmaßnahmen: Einschränkungen beim Zugriff auf die Testumgebung, Überwachung von Zugriffen auf eingeschränkte Pfade und ein eingefrorenes Schiedsrichtermodell, das anomale Ergebnisse übersteuert.

Der wichtige Vorbehalt steckt im Wort „Selbstverbesserung“: Es beschreibt das Trainingsverfahren, nicht das Artefakt. Das heruntergeladene Modell trainiert sich nicht auf Ihrem Laptop neu. Was Sie erhalten, ist ein Modell, dessen Trainingsdaten ungewöhnlicherweise von früheren Versionen seiner selbst erzeugt wurden – genau die Art von Behauptung, die es wert ist, überprüft zu werden, bevor sie zum Dogma wird.

Die Benchmark-Angaben, ehrlich gekennzeichnet

Alle Zahlen in diesem Abschnitt stammen von Ornith AI selbst, aus dem Startbericht, gemittelt über fünf Durchläufe, und wurden nicht unabhängig reproduziert. Die vier behaupteten Siege des Flaggschiffs gegenüber Claude Opus 4.8:

• Terminal-Bench 2.1 (Terminus-2-Harness): Ornith-1.5-397B 86.1 vs. Claude Opus 4.8 85.0

• SWE-bench Verified: 86.0 vs 85.8

• WideSearch: 80.8 gegenüber 72.9

• BrowseComp: 86.6 vs 84.3

Lesen Sie diese als Anbieterangaben, nicht als Fakten. Der einzige Flaggschiff-Benchmark, bei dem Ornith AI keinen Sieg für sich beansprucht, ist DeepSWE: 56,0 gegenüber 59,0 von Claude Opus 4.8 – der Bericht bezeichnet es als „gleichwertig“, was die ehrliche Lesart einer Niederlage ist. Weitere Flaggschiff-Kennzahlen aus demselben Bericht: HLE 44,6 ohne Tools und 56,1 mit ihnen, GPQA Diamond 92,8 und SWE-bench Pro 65,1.

Die beiden kleineren Modelle sind auch auf dem Papier stark: Ornith-1.5-35B-A3B meldet SWE-bench Verified 79,0 und Terminal-Bench 2.1 (Claude-Code-Harness) 68,5, während Ornith-1.5-9B SWE-bench Verified 70,6 und Terminal-Bench 2.1 47,0 meldet. Im Vergleich zu anderen Open-Weights-Modellen im selben Bericht vergleicht Ornith AI die 397B (86,1 Terminal-Bench / 56,0 DeepSWE) mit DeepSeek-V4-Flash-0731 (82,7 / 54,4) und GLM-5.2 (81,0 / 46,2).

Die eine unabhängige Anzeigetafel — und warum sie immer noch vorläufig ist

Das Profil von BenchLM für Ornith-1.5-397B ist derzeit die einzige Drittanbieter-Seite zu dem Modell. Seine Überschrift: eine öffentliche Punktzahl von 68,5 von 100, Platz #20 von 221, wobei Agentic mit #13 die stärkste Kategorie ist. Aber lesen Sie das Kleingedruckte, denn es leistet echte Arbeit – alle 18 Benchmark-Zeilen sind als vom Anbieter gemeldet markiert, und das Profil gibt an, dass das Modell „noch nicht über genügend belegte Abdeckung für eine verifizierte Position verfügt“. Eine nicht gerankte Position auf der verifizierten Liste ist kein Urteil gegen das Modell; sie ist eine Feststellung, dass es noch niemand unabhängig getestet hat, was genau man bei einer erst wenige Tage alten Veröffentlichung erwarten würde.

Das ist die Lücke zwischen den beiden Zahlen in diesem Artikel: Die 86,1 des Anbieters bei Terminal-Bench ist eine Behauptung, und die 68,5 von BenchLM ist ein Ergebnis, das vollständig auf vom Anbieter gemeldeten Datenzeilen basiert. Keiner der beiden Werte ist eine unabhängige Messung. Das erste Labor, das Ornith-1.5-397B durch eine öffentliche Testumgebung laufen lässt — SWE-bench Verified auf einem kontrollierten Datensatz, Terminal-Bench auf einer festen Harness-Version — wird die erste Zahl liefern, die zählt.

Was Sie heute tatsächlich ausführen können

Dies ist eine Veröffentlichung mit offenen Gewichten, also bedeutet „es ausführen“ das Ziehen der Gewichte. Der Ollama-Katalog listet bereits ornith-1.5:9b (ein ~6,6-GB-Build) und ornith-1.5:35b (ein ~23-GB-Build), beide mit 256K-Kontext; der 9B-Build bietet im Katalogeintrag zusätzlich Unterstützung für Bildeingaben. Die 397B ist eine andere Kategorie von Problem: Ein MoE mit 397B Parametern ist kein Laptop-Modell, und jede ernsthafte Bereitstellung bedeutet mehrere GPUs und echte Orchestrierung.

Der praktische Sweet Spot für die meisten Teams ist das Ornith-1.5-35B-A3B: Mit 3B aktiven Parametern pro Token erhält man die Leistungsfähigkeit eines MoE zu einem Bruchteil der Pro-Token-Kosten eines dichten 35B-Modells, und der 23-GB-Ollama-Build läuft auf einer einzelnen Grafikkarte mit viel VRAM oder einem kleinen Cluster. Das 9B ist das Modell, das man auf ein Telefon packt.

Genau in dieser Eigenschaft „3B active“ wird auch die Routing-Ökonomie interessant. Active-Parameter-MoEs kosten weit weniger, als ihre Gesamtgröße vermuten ließe, und wenn Anbieter ein solches Modell übernehmen, fällt der Preis pro Token tendenziell schnell — das ist der Fall, wenn man über einen Router kauft, der die Listenpreise der Anbieter ohne Aufschlag durchreicht, statt über einen einzelnen Anbieter, mit dem man einmal verhandelt. OrcaRouter macht genau das bei über 200 Modellen, sodass eine Preissenkung eines Anbieters bei einem neuen Open-Weights-Modell noch am selben Tag bei uns live ist. Und bei einem Modell, das ausschließlich mit Hersteller-Benchmarks ausgeliefert wurde, zählt das Failover-Argument am meisten: Eine Routing-Ebene ermöglicht es, einen Testpfad auf ein brandneues Modell zu richten und im selben Moment, in dem es ins Stocken gerät, auf ein bewährtes zurückzufallen — eine unerprobte Version auszuprobieren, ohne einen Produktionspfad darauf zu setzen.

Was fehlt noch?

• Keine gehostete API. Wenn Sie Ornith-1.5 als Dienst nutzen möchten, gibt es diesen noch nicht; jede Option ist Selbsthosting oder lokal.

• Keine unabhängige Bewertung. BenchLM lässt die Familie ohne Rang; kein Labor hat einen kontrollierten Durchlauf veröffentlicht.

• Keine Preisgestaltung, über die man nachdenken muss. Es gibt keinen Token-Preis, daher geht es beim Fall der „günstigen Open Frontier“ vollständig um Ihre eigene GPU-Ökonomie.

• Die Harnesses sind gemischt. Terminal-Bench hat mehrere Varianten, und die Zahlen im Bericht selbst verteilen sich über diese: Die 86,1 der 397B wurde mit dem Terminus-2-Harness erzielt, die 68,5 der 35B mit dem Claude-Code-Harness. Unterschiedliche Harnesses sind unterschiedliche Spiele, was den Äpfel-mit-Äpfel-Vergleich schwieriger macht, als die Übersichtstabelle vermuten lässt.

Was als Nächstes ansehen

Die beständige Geschichte ist nicht „offenes Modell schlägt Claude Opus 4.8“ – das ist eine einen Tag alte, ungeprüfte Behauptung. Die beständige Geschichte ist vielmehr, dass ein Labor den Kreislauf aus selbst erzeugten Trainingsdaten geschlossen und die Gewichte zur Prüfung veröffentlicht hat – und genau dieser Teil ist es, den man beobachten sollte. Was aus dieser vielversprechenden Veröffentlichung eine vertrauenswürdige machen würde: ein erster unabhängiger Lauf der 397B auf SWE-bench Verified und eine reparierte Terminal-Bench-Harness; der Evaluationscode, der tatsächlich mitgeliefert wird; und eine gehostete Route, die verfügbar wird, damit das Kostenprofil der 35B-A3B gegen ihre Behauptungen gemessen werden kann. Wenn die Zahlen halten, ist Ornith-1.5-35B-A3B die Preis-Leistungs-Story des Quartals im Open-Weights-Bereich. Wenn nicht, überlebt der ehrliche Teil – die Selbstverbesserungsmethode und die MIT-Gewichte – in jedem Fall.