Ornith-1.5-9B：端到端自我改进的轻量级编程模型

Hugging Face 上出现趋势模型 Ornith-1.5-9B，是 Ornith-1.5 系列最轻量版本，采用稠密架构，支持单 GPU 部署及量化后的移动端运行。该模型通过端到端自我改进，联合优化任务生成、脚手架构建和解决方案生成，在多项编程与推理基准上超越前代 Ornith-1.0-9B 及部分对比模型。

该模型将自我改进从脚手架和 rollout 优化扩展到任务生成、脚手架和 rollout 的联合优化，不再依赖固定人工任务集，可能改变基础模型的训练方式，并在较小规模（9B）下实现较强编程能力，对边缘部署有参考价值。

模型通过强化学习循环，持续生成新训练任务、发现有效解决策略并改进策略，替代人工设计的任务与脚手架，使模型在训练中自主提升，从而在更小参数量下获得竞争力。

9B 密集模型支持单 GPU 部署，量化版本可用于移动端，可降低推理成本并扩大应用场景。在编程任务（如 SWE-bench）上的表现优于 Qwen3.5-9B，但落后于 Qwen3.6-35B-A3B，需权衡性能与资源。

• 评估 Ornith-1.5-9B 在内部代码生成、代码审查等场景的准确率，替换现有小模型以降低 API 费用。
• 将量化版 Mobile 变体集成到移动端 IDE 或代码助手，提供离线代码补全。
• 针对 SWE-bench Pro 和 Multilingual 等短板，结合 RAG 或外部工具增强其任务解决能力。
• 跟踪其自我改进训练机制，探索迁移到垂直领域（如数据分析）的可能性。

• Ornith-1.5-9B 的训练细节和许可证尚未在证据中说明，是否可商用未知。
• 性能数据是否由第三方独立复现，是否存在过拟合基准的可能。
• 移动端量化版本的精度损失和实际推理速度未给出。
• 与其他主流开源模型（如 Llama-4）的直接对比缺失。