ArtikelLuis Chavez-MattosNews
Für Entwicklungsteams, die eigene Coding-Assistenten und Agenten lokal betreiben, bietet das MoE-Format hohe Effizienz: Geringe Inferenzkosten auf Single-GPU-Infrastruktur werden mit Leistungswerten kombiniert, die zuvor deutlich größeren Modellen vorbehalten waren.
Die auffallend hohen Werte bei DeepSWE und Terminal-Bench führt der Autor auf den automatisierten Trainingsloop zurück. Statt kuratierter statischer Datensätze generiert das Modell Aufgaben selbst und lernt über GRPO-Belohnungssignale. In einem Praxistest plante und implementierte Ornith 1.5 ein Full-Stack-Feature autonom samt Testläufen. Bei toolgestützten Reasoning-Aufgaben (HLE) bleibt jedoch ein deutlicher Abstand zu Riesenmodellen wie Qwen3.5-397B bestehen, was zeigt, dass reine Modellgröße für komplexe Logik nach wie vor eine Rolle spielt.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Link:ornith-ai
ornith-ai hat das multimodale Mixture-of-Experts-Modell Ornith-1.5-397B unter MIT-Lizenz veröffentlicht. Das 397 Milliarden Parameter schwere Modell setzt auf kontinuierliche Selbstverbesserung und erzielt in Programmier- und Reasoning-Benchmarks Ergebnisse auf dem Niveau führender proprietärer Modelle.
Link:deep-reinforce.com
Mit Ornith-1.0 erscheint eine Open-Source-Modellreihe für agentenbasierte Programmieraufgaben in Größen von 9B bis 397B Parametern. Durch ein neuartiges RL-Verfahren generieren die Modelle während des Trainings sowohl die Lösung als auch das unterstützende Task-Harness selbst.
Repository:ornith-ai/Ornith-1
Das GitHub-Repository Ornith-1 stellt eine Familie quelloffener KI-Modelle vor, die speziell auf agentische Aufgaben und iterative Selbstoptimierung ausgelegt sind. Mit den Generationen Ornith-1.0 und Ornith-1.5 verfolgt das Projekt Ansätze wie Self-Scaffolding und automatisierte Aufgaben- und Lösungserstellung für Reinforcement Learning.
2013Sterne
Link:Kwaipilot
Kwaipilot hat mit KAT-Coder-V2.5-Dev ein quelloffenes Mixture-of-Experts-Sprachmodell veröffentlicht. Das auf Qwen3.6-35B-A3B basierende Modell verfügt über 35 Milliarden Gesamt- und 3 Milliarden aktive Parameter und wurde gezielt für den Einsatz in Coding-Agenten trainiert.
Artikel:Chris Alexiuk and Chintan Patel
NVIDIA hat Nemotron 3.5 Lightning vorgestellt, ein offenes Mixture-of-Experts-Modell (MoE) mit 30 Milliarden Gesamt- und 3 Milliarden aktiven Parametern. Es wurde speziell für die Ausführungsebene langlebiger KI-Agenten optimiert, um Routineaufgaben wie Tool-Aufrufe und Ergebnisvalidierung schnell und kostengünstig zu bewältigen.
Link:Poolside
Poolside hat Laguna-S-2.1 veröffentlicht, ein Mixture-of-Experts-Sprachmodell mit 118 Milliarden Gesamtparametern und rund 8 Milliarden aktiven Parametern pro Token. Das Modell ist speziell auf Softwareentwicklung und langlebige Agenten-Workflows ausgelegt und steht unter der permissiven OpenMDW-1.1-Lizenz bereit.
Ein Teil von diesem Inhalt wurde mit KI gemacht.
