Ornith-1.0评测：自进化开源Coding Agent，本地跑出SWE-Bench 82.4分

📰 本文选自自游人今日AI科技日报

引言

Coding Agent的战争打到2026年年中，格局已经很清晰：Claude Code和Cursor占据高端市场，OpenAI Codex紧追其后。但如果你不想每个月付$200的订阅费，或者不想依赖需要信用卡和梯子的海外服务，谁是开源的答案？

DeepReinforce团队给出的答案是Ornith-1.0——一套MIT许可、全球可用的自进化Coding Agent模型家族。九B到397B四档全覆盖，GGUF量化版已经上传HuggingFace，你的游戏本能跑9B版，4090能跑35B版，服务器可以上397B。

最关键的是，它的训练思路跟所有竞品都不一样：不是学怎么写代码，而是学怎么用工具写出好代码。

一、核心概念：RL怎么训练一个Coding Agent

1.1 传统做法的死胡同

大多数Coding模型是这样训练的：给一堆代码仓库 → SFT微调 → 希望模型学会写代码。

问题是：Agent写代码不是闭卷考试。真正的Agent编程是在终端里跑命令、读报错、改代码、再跑命令——是一个反复试错的循环。SFT只能教你"应该写什么"，教不了你"写错了之后怎么改"。

1.2 Ornith的突破：RL联合优化代码+脚手架

Ornith-1.0的论文核心就一句话：用强化学习同时优化"生成的代码"和"生成代码的脚手架（scaffold）"。

什么叫脚手架？就是Agent在完成任务过程中使用的工具链和搜索策略：先读哪个文件、后跑哪个测试、怎么分析报错信息、什么时候回溯重新开始——整个决策流程就是"脚手架"。

传统方法只优化"代码是否正确"，Ornith的方法优化"找正确代码的路径是否高效"。这是根本的不同。

举个例子：

• 传统模型学的是：给你一个issue → 写出正确patch
• Ornith学的是：给你一个issue → 理解项目结构 → 定位相关文件 → 尝试修改 → 运行测试 → 看报错 → 调整修改 → 直到通过 → 提交patch

后者是真实世界的Agent行为链。RL就是在奖励这个链路的高效性——找对文件快 +1分，测试一次过 +3分，反复试错超过5轮 -2分。

二、Benchmark全面解读

2.1 四版本性能速览

Ornith-1.0有四个版本，基于Gemma 4和Qwen 3.5进行后训练：

2.2 397B旗舰：SWE-Bench Verified 82.4分

397B版在多项基准上与顶级闭源模型直接对比：

几个关键发现：

1. SWE-Bench Verified 82.4分：在开源模型中绝对第一梯队。只落后Claude Opus 4.8约5分，差距在缩小。超过Qwen3.7-Max（80.4）和DeepSeek-V4-Pro（80.6）
2. Terminal-Bench 82.4追赶78.9：用Claude Code框架评测时78.2分，只落后Opus 4.8不到1分——因为Ornith在Agent scaffold上的RL训练让它在终端交互场景中天然更强
3. 多语言SWE-Bench 78.9：代码理解不挑语言，中英日韩统吃
4. SWE Atlas三项（QnA 41.2 / RF 42.6 / TW 39.1）：在代码理解和定位能力上达到强基线水平

2.3 35B MoE：性价比之王

35B版是很多开发者的首选：

35B干掉397B？ 在Terminal-Bench 2.1上，35B（64.2）显著超过Qwen3.5-397B（53.5）。RL训练来的脚手架搜索能力让"小模型"在需要反复试错的终端场景中更聪明。

2.4 9B Dense：笔记本能跑的Coding Agent

9B版的SWE-Bench Verified 69.4分——这不只是一个"小模型还行"的水平，它打平了比自己大4倍的Qwen3.5-35B（70.0分）。在Terminal-Bench上直接翻倍（43.1 vs 21.3）。

这就是RL训练脚手架带来的质变：不用堆参数，堆策略。

三、本地部署实战

3.1 GGUF量化版：三条命令跑起来

Ornith-1.0已经提供了官方GGUF量化版，兼容Ollama和llama.cpp：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# 方式一：Ollama（推荐）
# 下载9B GGUF版
ollama pull hf.co/deepreinforce-ai/Ornith-1.0-9B-GGUF

# 测试
ollama run hf.co/deepreinforce-ai/Ornith-1.0-9B-GGUF

# 方式二：llama.cpp直接运行
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
make -j
./llama-cli -m Ornith-1.0-9B-Q4_K_M.gguf -p "写一个Python脚本..."

3.2 硬件要求速查

3.3 作为Coding Agent使用

Ornith-1.0不只是对话模型，它被设计为Agent。支持的Agent框架包括：

• 开源Harness：基于Harbor/Terminus-2的终端Agent框架
• OpenCode：国产Coding Agent框架，实测兼容Ornith-1.0-35B
• Ollama + Continue.dev：VSCode中直接调用本地Ornith模型

实测体验：35B GGUF版在RTX 4090上的单文件代码生成速度约15-25 token/s，能在合理时间内完成中等复杂度任务。多文件项目建议用397B FP8服务器部署。

四、与Claude Code / Cursor 对比选型

4.1 核心对比

4.2 选型建议

选Ornith-1.0的场景：

• 预算敏感（学生、独立开发者）
• 代码涉及隐私/商业机密不适合上传云端
• 国内网络访问Claude不稳定
• 需要24/7自由调用不担心额度用完
• 做Agent研究需要可控、可调整的开源方案

选Claude Code/Cursor的场景：

• 团队已有成熟付费流程，不care每月$200
• 需要处理超大型代码库（百万行级）的跨文件重构
• 需要Dynamic Workflows等独占特性
• 追求极致的开箱即用体验

一个务实的组合方案：Ornith-1.0-35B本地日常开发 + Claude Code按需高强度任务。 90%的日常编码本地跑Ornith，10%的硬骨头请Claude出山。

总结

Ornith-1.0不是另一个"号称最强的开源模型"——它带着一个很清晰的差异化定位：用RL训练Agent的决策流程，不只是代码质量。 这个定位让它在一个参数规模下能干过更大模型，也让它天然适配终端Agent场景。

对于务实的开发者：35B GGUF版已经是今天性价比最高的本地Coding Agent方案。9B版让笔记本也能有正经的Agent编程体验。397B版告诉你"开源Coding Agent的天花板在哪"——SWE-Bench Verified 82.4分，距离Claude Opus不到5分。

下载，跑起来，换掉那个烧月费的工具。

参考来源：

1. Ornith-1.0 GitHub 仓库（官方一手，MIT许可）
2. HuggingFace: Ornith-1.0 Collection（官方一手，含GGUF量化版）
3. HuggingFace: Ornith-1.0-35B-GGUF（GGUF下载页）
4. DeepReinforce官网
5. 2026 AI Coding工具一站配齐 - 博客园（国产AI编码工具实测对比）
6. 2026 主流AI编码全景对比 - CSDN

📖 延伸阅读

📰 自游人日报 2026.6.27

• 🧠 DeepSeek DSpark 全解析 — 推理效率革命
• 🤖 UI-TARS 桌面自动化 — Agent双胞胎对比
• 🧠 MRAgent 记忆框架 — Agent的成本账

最后更新：2026-06-27
本文由 AI 辅助撰写，经人工审阅。内容仅供参考，不构成任何建议。
© 2026 自游人 17YOU.COM | CC BY-NC-SA 4.0