🐦 Ornith 1.0: Mô hình mã nguồn mở tự xây giàn giáo để code tự động

DeepReinforce AI vừa ra mắt Ornith 1.0 - mô hình LLM mã nguồn mở đầu tiên tự thiết kế quy trình huấn luyện của chính nó để giải quyết bài toán lập trình agentic. Phát hành ngày 25/6/2026, giấy phép MIT, không giới hạn khu vực.

Self-Scaffolding RL là gì?

Các mô hình coding truyền thống dùng harness cố định do con người thiết kế để hướng dẫn quá trình sinh code trong RL. Ornith 1.0 làm khác: thay vì nhận scaffold từ bên ngoài, mô hình tự học cách tạo ra scaffold phù hợp với từng bài toán, rồi đồng thời tối ưu cả scaffold lẫn solution. Kết quả là mô hình tự lập kế hoạch, gọi công cụ, kiểm tra kết quả trung gian, và viết lại các bước thất bại - tất cả trong một vòng lặp duy nhất.

Kiến trúc và các kích thước mô hình

Ornith 1.0 có 4 biến thể để phù hợp mọi thiết bị:

• 9B Dense (~19GB bf16): triển khai trên edge, chạy được một GPU 80GB
• 31B Dense (~62GB bf16): cân bằng hiệu suất, nền tảng Gemma 4
• 35B MoE (~25GB Q5_K_M): chỉ kích hoạt 3B tham số/token, phù hợp GPU consumer
• 397B MoE (~400GB bf16): pipeline sản xuất, đạt điểm frontier

Ba biến thể 9B, 35B, 397B được post-train trên Qwen 3.5; biến thể 31B post-train trên Gemma 4. Mô hình hỗ trợ context window 262.144 token, multimodal (ảnh + văn bản), và tool calling tương thích OpenAI.

Benchmark: Ornith 397B so với các mô hình hàng đầu

Đáng chú ý hơn là biến thể 35B MoE vượt Qwen 3.5-397B trên Terminal-Bench 2.1 (64.2 so với 53.5) với chỉ một phần nhỏ tham số. Ngay cả Ornith 9B cũng đạt 69.4 trên SWE-Bench Verified và 43.1 trên Terminal-Bench 2.1.

Ứng dụng thực tế

Ornith 1.0 được tối ưu cho 4 kịch bản cụ thể:

• Tái cấu trúc đa file: chỉnh sửa quy mô repository, không chỉ một file
• Tìm và vá lỗi: tìm kiếm có hệ thống trong codebase, tạo patch theo test-driven
• Terminal agent: tích hợp sẵn với Claude Code, OpenHands, OpenClaw, Hermes Agent
• Chạy offline: triển khai riêng tư trên phần cứng consumer, không phụ thuộc API

Sam Witteveen (kênh YouTube chuyên về LLM) giới thiệu Ornith 1.0 trong video "Introducing Ornith 1.0 - Agentic Coding LLMs" với nhận định đây là bước chuyển quan trọng: mô hình không còn chờ người dùng định nghĩa workflow mà tự quyết định cách tiếp cận bài toán.

Tại sao đây là tin quan trọng cho open-source?

Trước Ornith 1.0, các mô hình open-source coding tốt nhất vẫn thua kém Claude hoặc GPT-4o ở tác vụ agentic phức tạp. Bây giờ một mô hình 35B MoE có thể đánh bại Qwen 3.5-397B trên Terminal-Bench, và 397B MoE vượt Claude Opus 4.7 trên cùng benchmark - với giấy phép MIT hoàn toàn tự do. Điều này mở ra khả năng xây dựng coding agent mạnh ngang frontend hoặc self-hosted hoàn toàn mà không tốn chi phí API.

Bạn đã thử chạy Ornith 1.0 với Claude Code hoặc OpenHands chưa? Kết quả thế nào so với mô hình bạn đang dùng?

#VibeAICoder #AgenticCoding #OpenSource #LLM #CodingAI