Linkornith-aiSammlung
Ornith-1.5-397B zeigt, dass offene Gewichte und selbstoptimierende Trainingsschleifen im Bereich Programmier- und Terminal-Agenten zu proprietären Spitzenmodellen aufschließen können. Entwickler erhalten ein lokal betreibbares Modell für anspruchsvolle Entwicklungsaufgaben und Agenten-Frameworks.
Das Modell baut auf Erfahrungen mit Ornith-1.0 auf, welches auf Qwen3.5 und Gemma4 aufsetzte. Statt rein manuell kuratierter Aufgaben nutzt Ornith-1.5 automatisierte Aufgabengenerierung kombiniert mit RL. Durch die Unterstützung von OpenAI-kompatiblen Schnittstellen in vLLM und SGLang lässt sich das Modell direkt in gängige Agenten- und Coding-Umgebungen einbinden, erfordert für den Vollbetrieb in BF16 jedoch massive Hardware-Ressourcen wie Node-Setups mit 8 GPUs.
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: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.
Artikel:Luis Chavez-Mattos
Deep Reinforce hat Ornith 1.5 35B-A3B vorgestellt, ein Mixture-of-Experts-Modell mit 3 Milliarden aktiven Parametern pro Token. Laut Modellkarte übertrifft es in Programmier- und Agenten-Benchmarks ähnlich dimensionierte Modelle wie Qwen3.6-35B deutlich und überholt bei Software-Engineering-Aufgaben teilweise sogar das wesentlich größere Qwen3.5-397B.
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.
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.
Link:Z.ai
Z.ai hat das Flaggschiff-Modell GLM-5.2 auf Hugging Face unter der freien MIT-Lizenz bereitgestellt. Das Modell zielt auf komplexe Coding- und Agentic-Workflows ab und bietet ein stabiles Kontextfenster von einer Million Tokens. Durch Architekturverbesserungen wie IndexShare und einen optimierten MTP-Layer wurden Rechenaufwand gesenkt und Inferenzzeiten verkürzt.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
