性能直逼Claude Opus的开源大模型免费可用了

有人在咖啡馆写月度营收分析，怕数据泄露不敢上传云端。

断网打开自己的Mac，一个9B参数的大语言模型自己读了三张表格，交叉核对月度汇总，写完了整份分析——所有数据都没离开过这台电脑。完成这一切的，是刚刚发布的Ornith-1.5开源大模型。

美国DeepReinforce团队放出的Ornith-1.5，是面向智能体设计的开源编码大模型，一共提供三个不同规模的版本：9B稠密模型、35B MoE（混合专家模型，每次只激活部分参数）、397B MoE，全部以MIT协议完全开源。

和传统大模型不同，它用了自我改进的训练策略：模型可以自己提出任务、生成任务的支撑框架、产出解决方案再通过强化学习总结经验，整个训练循环不需要人工额外标注。

@UrMeer289 认为：这不是简单的模型参数缩放，而是开源AI自我改进能力的升级。

@OsaurusAI 认为：9B规模的版本就可以在断网的本地电脑上完整运行智能体工作流。

根据官方给出的 benchmark 数据，旗舰397B版本在多个推理、编码和智能体任务测试中，性能已经接近闭源模型Claude Opus 4.8，其中SWE-Bench验证集得分达到86分，超过了上一代Ornith-1.0的82.4分。

付费闭源大模型单次训练成本从7800万美元到1.92亿美元不等，普通开发者和小团队根本碰不到这种规模的前沿模型。现在这些接近顶级闭源模型的性能，已经完全开放下载，小参数版本还能直接在普通消费级电脑本地运行。

对需要处理敏感数据的开发者和小团队来说，不用再把核心数据上传给第三方API，就能用前沿模型完成编码和分析工作。

自我改进的训练策略，是不是真的能让开源模型持续追上闭源的脚步？