什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

35B打脸千亿模型!开源编程Agent自己写代码自己改bug,消费级显卡就能跑

最近开源圈出了个有意思的模型——Ornith-1.0,来自 DeepReinforce 团队。它的核心卖点很直接:让编程模型自己写代码、自己测代码、发现问题自己改。听起来像是科幻场景,但这个模型确实已经开源了。更关键的是,35B 总参数的 MoE 版本,在多个编程基准上跑出了接近甚至超过千亿级模型的分数。如果你在找一款本地能跑、编程能力强、还不用付费的 AI 编程助手,这篇帮你把 Ornith-1.0 的能力和选型理清楚。12
Ornith-1.0 系列基于 Gemma 4 和 Qwen 3.5 作为底座,用强化学习联合优化的方式同时训练"解题能力"和"解题工具使用能力"。这让它和传统代码补全模型拉开了本质差距——不只是生成一段代码,而是能自主规划任务、调用 shell、读写文件、跑测试、发现问题后自己修正。整个流程不需要人盯着复审,这才是"Agentic Coding"真正的意思。34
不同规格怎么选?先看能跑动什么
Ornith-1.0 一口气发了四个规格:9B Dense、31B Dense、35B MoE 和 397B MoE,覆盖从笔记本到服务器的全场景。普通开发者最值得关注的是 9B 和 35B MoE 这两个版本。9B 版本实测在单张 16GB 显存的显卡上就能跑满上下文,不需要 CPU 卸载。35B MoE 总参数 35B,但每次推理只激活约 3B 参数,量化后(Q5_K_M)占用 25GB 左右,单张 RTX 4090 或 128GB 统一内存的 Mac M 系列芯片都能装下。397B 版本需要多卡张量并行,适合有集群资源的企业用户。567
部署工具链已经比较成熟。35B 版本有官方 GGUF 量化包,llama.cpp 直接加载无需补丁,配合 AMD HIP 后端在锐龙 AI MAX+ 395 上实测能稳定跑 40+ token/s。M 系列芯片用户实测 75-85 tok/s,推理速度比同质量 Dense 模型快了约 5 倍。上下文窗口满血 262144,一次性载入完整项目源码、多份文档都没问题。589
35B 版本性能到底什么水平
直接看硬数据。Terminal-Bench 2.1 考察模型在终端环境下操作命令行、改代码、排查问题的综合能力,Ornith-1.0-35B 拿到了 64.2 分——超过 Qwen 3.5-397B 的 53.5 分,参数差了十倍以上。SWE-Bench Verified 考的是解决真实 GitHub Issues 的能力,Ornith-1.0-35B 拿到 75.6 分,逼近 Qwen 3.5-397B 的 76.4 分。SWE-Bench Pro 是更高难度的重构版本,50.4 分领先同尺寸的 Qwen 3.6-35B。在 35B 这个消费级硬件能承载的规格里,Ornith-1.0-35B 在所有主要编程基准上都是领先水平。101112
基准测试Ornith-1.0-35BQwen 3.5-397BClaude Opus 4.7
Terminal-Bench 2.164.253.570.3
SWE-Bench Verified75.676.480.8
SWE-Bench Pro50.460.6-
NL2Repo34.636.8-
9B 版本同样有惊喜。Terminal-Bench 2.1 上 43.1 分,是同规格 Qwen3.5-9B(21.3 分)的两倍。SWE-Bench Verified 上 69.4 分,超过了 Gemma 4-31B(52 分),几乎追平 Qwen 3.5-35B(70 分)。一个小参数模型能摸到这个位置,说明 MoE 稀疏架构的效率优势在编程场景确实管用。13614
它的短板在哪里
Ornith-1.0 的自改进机制在单线程、确定性的编程场景下表现不错——逻辑方向写反、类型错误、空指针这些常规 bug,模型能自己定位并修正。但一旦涉及并发、时序、外部依赖这些非确定性因素,评估管道就会漏掉问题。比如多线程任务调度器里经典的竞态条件,两个线程同时读取共享状态没有锁保护,单次单元测试在非并发环境下会通过,模型自己也发现不了。目前的自改进更像一个自动化 lint + 单元测试框架,要它理解死锁、分布式时序问题,能力还不够。15
另外在纯推理和数学任务上,MoE 模型依然落后于同级别 Dense 模型。实测 Ornith-1.0-35B 编码和工具使用能力已经和 Qwen3.6-27B 几乎持平,但在数学推理上差距明显。如果你主要做的是复杂算法推导而非工程编码,选型时需要考虑这一点。8
适合谁,不适合谁
从实测数据和用户反馈来看,Ornith-1.0 适合这几类场景:个人开发者在笔记本或游戏显卡上本地跑一个编程助手,处理 bug 修复、多文件重构、命令行问题排查;企业需要 MIT 协议、无商用限制的私有化部署方案;需要高频调用、不想按 token 付费的团队。35B MoE 版本在这几个场景里性价比最高——性能接近千亿级模型,硬件门槛却在消费级可及范围内。161718
不太适合的场景也有:需要处理高并发、分布式系统调试这类复杂系统级问题的开发者,目前自改进机制的盲区较大。纯数学推导、形式化证明等任务,同规格 Dense 模型表现更好。另外对模型能力要求极高、愿意付费的企业用户,Claude Opus 4.7/4.8 在编程基准上的综合表现仍然领先一截。Ornith-1.0-397B 旗舰版在 Terminal-Bench 和 SWE-Bench Verified 上已经超过 Claude Opus 4.7,但和 Opus 4.8 仍有差距。1196

评论

评论区空态插画

当前文章无评论,是时候发表评论了