Ornith-1.5：自身のトレーニングカリキュラムを作成するオープンウェイトモデルファミリー ―― Claude Opus 4.8を凌駕すると主張

Ornith-1.5は、Ornith AIによるオープンウェイトのモデルファミリーで、4つのベンチマークでClaude Opus 4.8を上回ると主張しています。2026年8月19日にリリースされました。そして、ここで注目すべきはパラメータ数ではなく、トレーニングループです。このファミリーは3つのモデルで構成されています。3970億パラメータの混合専門家（MoE）フラッグシップであるOrnith-1.5-397B、トークンあたり30億パラメータを活性化する35B MoEのOrnith-1.5-35B-A3B、そして量子化されたモバイルビルドを備えた9BのdenseモデルであるOrnith-1.5-9Bです。ここにあるすべての見出しスコアはベンダー報告によるものです。数値はOrnith AI自身の評価実行に基づき、5回の平均値です。また、プロフィールを持つ唯一のサードパーティトラッカーであるBenchLMは、18のベンチマーク行すべてをプロバイダー報告とラベル付けし、独立した検証が存在するまでこのファミリーをランキング外にしています。実際にリリースされたもの、「自己改善」が実際に意味するもの、そして今日実行できるものは以下のとおりです。

出荷されたもの: 3つのスケール、MITライセンス、APIなし

Ornith AI —オープンウェイトのOrnith-1.0の背後にいるグループであり、競技プログラミング用マルチエージェントシステム（GrandCode）やGPUカーネル最適化（CUDA-L2）に関するDeepReinforceの研究にも関与している組織—は、このファミリーをHugging Face上でMITライセンスの下に公開しました。生のチェックポイントに加えて、FP8、GGUF、MLX、NVFP4の量子化形式も含まれています。256Kコンテキストウィンドウ（262,144トークン）はファミリー全体に適用されます。ファーストパーティ製のホスト型APIやトークン価格は存在せず、これはセルフホストまたはローカルランタイム向けのリリースであり、ローンチレポートにもその旨が明確に記載されています。

三つのスケールは、三つの異なる現実を対象としている：

• Ornith-1.5-397B — 「オープンフロンティアへの挑戦」：エージェント系およびコーディング系ワークロードでクローズドフロンティアを目指す397BのMoE

• Ornith-1.5-35B-A3B — 35BのMoEであり、トークンごとにわずか3Bのパラメータのみを活性化。中間領域を担う：フラッグシップに迫る性能を、dense 35Bモデルのトークンあたり推論コストの数分の一で実現。

• Ornith-1.5-9B — ローカルおよびオンデバイスでの使用に適したdense型9Bモデルに加え、ベンダーによるとiPhoneとAndroidへの展開準備が整っている量子化版Ornith-1.5-9B-Mobileビルドも含まれます。

上記の発表ページが発表のすべてだ。マーケティング的な投稿というより技術レポートであり、ラボの特徴と一致している。

自己改善の主張を読み解く

2026年6月にリリースされたOrnith-1.0は、モデルにコーディングタスクの周辺構造（ハーネス、分解、オーケストレーション）を生成する方法を教えました。Ornith-1.5は、そのループをタスク生成そのものへと拡張します。トレーニングでは、モデルは現在3つのことを行います：

• 新しい、より難しいトレーニングタスクを提案する。

それらのタスクの解決と評価に使用されるタスク固有のスキャフォールドを生成する。

次のトレーニングデータとなるソリューションのロールアウトを生成する。

報酬は3つの段階すべてを流れ、GRPOで共同最適化されます。各提案タスクは、{{3}}有効性（実行可能かつ検証可能であること）{{/3}}、{{4}}フロンティア難易度（目標とする解決成功率は0.2に設定 — モデルが通常は失敗するが、それでも学習できるタスク）{{/4}}、および{{5}}新規性（既に学習したすべての内容との多様性）{{/5}}に基づいてスコアリングされます。{{6}}スキャフォールドは、アライメント、報酬の忠実性、報酬ハッキングへの耐性に対して独自の報酬を受け取ります{{/6}}。{{7}}また、パイプラインにはハッキング防止対策が含まれています：テスト環境への干渉制限、制限付きパスへのアクセス監視、異常な結果を上書きする凍結された裁定モデル{{/7}}。

「自己改善」という言葉には重要な注意点がある。それはトレーニング手順を指しており、成果物を指しているわけではない。ダウンロードしたモデルがあなたのノートPC上で再トレーニングされることはない。あなたが手にするのは、トレーニングデータが異例にもそれ以前のバージョンの自分自身によって生成されたモデルである——これは、教義になる前に検証する価値がある主張である。

ベンチマークの主張は、正直にラベル付けされている

このセクションのすべての数値は、Ornith AI 独自のものであり、ローンチレポートに基づき、5回の実行の平均値であり、独立に再現されたものではありません。フラッグシップモデルが Claude Opus 4.8 に対して主張する4つの勝利:

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

• SWE-bench Verified: 86.0 vs 85.8

• WideSearch: 80.8 vs 72.9

• BrowseComp: 86.6 vs 84.3

それらは事実ではなく、ベンダーの主張として読むべきだ。Ornith AIが勝利を主張していない唯一の旗艦ベンチマークはDeepSWEで、56.0対Claude Opus 4.8の59.0である。レポートはこれを「互角」と表現しているが、これは敗北を正直に解釈した言い方だ。同じレポートのその他の主要指標：HLEはツールなしで44.6、ツールありで56.1、GPQA Diamondは92.8、SWE-bench Proは65.1。

小さいほうの2つも紙面上では強い：{{1}}Ornith-1.5-35B-A3BはSWE-bench Verified 79.0、Terminal-Bench 2.1（Claude Codeハーネス）68.5を報告しており{{/1}}、一方{{2}}Ornith-1.5-9BはSWE-bench Verified 70.6、Terminal-Bench 2.1で47.0を報告している{{/2}}。同じレポート内の他のオープンウェイトモデルと比較すると、{{3}}Ornith AIは397Bの86.1 Terminal-Bench / 56.0 DeepSWEを、DeepSeek-V4-Flash-0731の82.7 / 54.4およびGLM-5.2の81.0 / 46.2と比較している{{/3}}。

唯一の独立したスコアボード — そしてそれがまだ暫定的である理由

BenchLM上のOrnith-1.5-397Bのプロフィールは、現時点でこのモデルに関する唯一の第三者のページです。その見出しは、100点満点中68.5点の公開スコア、221件中20位、そして最強カテゴリであるAgenticは13位というものです。しかし、細かい注記も読む価値があります。というのも、そこでは実際にきちんとした扱いがなされているからです。18のベンチマーク行はすべてprovider-reported（提供元報告）とマークされ、プロフィールには、このモデルは「検証済みの順位を得るための十分なソースのカバレッジがまだない」と記載されています。検証済みリストで順位が付いていないことは、モデルに対する否定的な判定ではありません。それは、まだ誰も独立に実行していないという表明であり、リリースから数日しか経っていないモデルに対してはまさに当然のことです。

それがこの記事における2つの数字の間にあるギャップです。ベンダーの86.1 Terminal-Benchは主張であり、BenchLMの68.5はベンダーが報告した行のみから構築されたスコアです。どちらも独立した測定ではありません。Ornith-1.5-397Bを公開ハーネスで実行する最初の研究機関（管理されたセットでのSWE-bench Verified、固定ハーネスバージョンでのTerminal-Bench）が、初めて意味のある数字を生み出すでしょう。

今日実際に実行できるもの

これはオープンウェイトのリリースなので、「実行する」とはウェイトを取得することを意味します。Ollamaカタログにはすでに ornith-1.5:9b（約6.6GBのビルド）と ornith-1.5:35b（約23GBのビルド）が掲載されており、どちらも256Kコンテキストです。9Bビルドにはカタログエントリで画像入力サポートも含まれています。397Bは別のカテゴリの問題です。397BパラメータのMoEはラップトップ向けモデルではなく、本格的なデプロイには複数のGPUと実際のオーケストレーションが必要です。

ほとんどのチームにとっての実用的な最適解はOrnith-1.5-35B-A3Bです。トークンあたり3Bのアクティブパラメータにより、高密度35Bのトークンあたりコストの数分の一でMoEの能力が得られ、23 GBのOllamaビルドは単一の高VRAMカードまたは小規模クラスタで動作します。9Bはスマートフォンに載せるためのモデルです。

「3Bアクティブ」という特性は、ルーティングの経済性が面白くなるところでもあります。アクティブパラメータのMoEは、その総サイズをはるかに下回る価格で提供され、プロバイダーがこうしたモデルを採用すると、トークン単価は急速に下がる傾向があります。これは、一度交渉するだけの単一ベンダーから購入するのではなく、プロバイダーのリスト価格を0%マークアップでそのまま通すルーターを介して購入する場合に当てはまります。OrcaRouterは200以上のモデルでまさにこれを実現しており、新しいオープンウェイトモデルのプロバイダー価格が引き下げられれば、当社側でも同日中に反映されます。さらに、ベンダーのベンチマークしか付属していないモデルにとっては、フェイルオーバーの議論が最も重要です。ルーティングレイヤーがあれば、テストパスを真新しいモデルに向け、動作が停止した瞬間に実績のあるモデルへフォールバックできます。つまり、本番パスを賭けずに、未検証のリリースを試すことができるのです。

まだ足りないものは何か

• ホスト型APIはありません。Ornith-1.5をサービスとして利用したい場合、それはまだ存在しません。すべての選択肢はセルフホストまたはローカルです。

• 独立した評価は存在しない。BenchLMはそのファミリーを未ランクのままにしており、いかなる研究所も統制された実行を発表していない。

• 価格を考慮する必要はありません。トークンレートがないので、「安価なオープンフロンティア」の場合は完全にご自身のGPU経済性次第です。

• ハーネスは混在している。Terminal-Benchには複数のバリアントがあり、レポート自身の数値はそれらにまたがっている。397Bの86.1はTerminus-2ハーネス、35Bの68.5はClaude Codeハーネスでの数値だ。異なるハーネスは異なるゲームであり、見出しの表が示すよりも、同一条件での比較が難しくなっている。

次に見るもの

長く残るストーリーは、「オープンモデルがClaude Opus 4.8を破った」ということではない。それは、まだ1日しか経っていない監査されていない主張だ。重要なのは、ある研究所が自己生成トレーニングデータのループを閉じ、精査のためにウェイトを公開したこと、そしてその部分こそ注目に値するということだ。有望なリリースを信頼できるものへと変える要素は、397BのSWE-bench Verifiedにおける初の独立した実行と修正されたTerminal-Benchハーネス、評価コードが実際に提供されること、そしてホストされたルートが登場して35B-A3Bのコストプロファイルがその主張に対して測定できるようになることだ。数字が維持されれば、Ornith-1.5-35B-A3Bは今四半期のオープンウェイトのコストパフォーマンスの物語となる。数字が維持されなければ、正直な部分、つまり自己改善手法とMITウェイトは、どちらにせよ生き残る。