Ornith‑1.5 bringt selbstverbessernde offene KI auf lokale Geräte
20. August 2026
Ornith veröffentlicht drei offene Modelle von 9 bis 397 Milliarden Parametern. Besonders relevant: Das kleinste Modell ist für lokale GPUs und in quantisierter Form für Mobilgeräte gedacht.
Worum es geht
Die Forschungsgruppe Ornith hat am 19. August 2026 die Modellfamilie Ornith‑1.5 veröffentlicht. Sie besteht aus einem dichten 9B-Modell sowie zwei Mixture-of-Experts-Modellen mit insgesamt 35 und 397 Milliarden Parametern. Gewichte und Varianten liegen auf Hugging Face; die offiziellen Modellkarten nennen die MIT-Lizenz.
Interessant ist weniger die nächste Rangliste als die Spannweite: Ornith bietet ein großes Forschungsmodell, ein 35B-Modell mit nur rund drei Milliarden aktiven Parametern pro Token und ein 9B-Modell für eine einzelne GPU. Für das 9B-Modell gibt es außerdem quantisierte Varianten, die laut Anbieter bis auf Mobilgeräte zielen.
Was Ornith‑1.5 tatsächlich macht
Ornith‑1.5 baut auf Ornith‑1.0 auf und erweitert dessen Trainingsschleife. Das Modell löst nicht nur vorgegebene Aufgaben. Im Training erzeugt das System neue Aufgaben, sucht passende Lösungsstrategien und bewertet die erzeugten Lösungswege. Diese drei Teile fließen gemeinsam in weiteres Reinforcement Learning ein.
Die Familie deckt drei Größenklassen ab. Ornith‑1.5‑397B ist ein großes MoE-Modell. Ornith‑1.5‑35B‑A3B besitzt insgesamt 35 Milliarden Parameter, aktiviert pro Token aber ungefähr drei Milliarden. Ornith‑1.5‑9B ist ein dichtes Modell für lokale Nutzung. Die offiziellen Karten nennen 256.000 Token Kontext für mehrere Varianten und stellen Formate für Transformers, GGUF, MLX, FP8 und NVFP4 bereit.
Warum das wichtig ist
Offene Modelle werden praktisch, wenn Entwickler nicht für jede Aufgabe eine externe API brauchen. Lokale Ausführung kann vertraulichen Code auf dem eigenen Rechner halten, planbare Kosten ermöglichen und Experimente ohne Anbieterbindung erleichtern. Ein 9B-Modell ist dafür erheblich zugänglicher als ein Modell mit Hunderten Milliarden Parametern.
Ornith meldet für das 35B-Modell 79 Punkte auf SWE-bench Verified und 68,5 Punkte auf Terminal-Bench 2.1 mit Claude Code. Für das 9B-Modell nennt die Gruppe 70,6 beziehungsweise 47 Punkte. Das sind Herstellerwerte aus den Modellkarten, keine unabhängige Reproduktion. Sie zeigen, worauf das Release optimiert wurde: Coding, Werkzeugnutzung und agentische Abläufe.
Einfach erklärt
Statt einem Koch immer dieselben Rezepte zu geben, lässt Ornith ihn im Training neue Gerichte vorschlagen, geeignete Küchenabläufe entwickeln und die Ergebnisse bewerten. Dadurch wächst nicht nur seine Rezeptliste; auch die Art, wie er schwierige Aufgaben vorbereitet, soll besser werden. Ob die Gerichte Gästen schmecken, muss trotzdem eine unabhängige Küche testen.
Praktisches Beispiel
Ein Softwareteam möchte täglich 40 interne Fehlerberichte vorsortieren und zu fünf davon Reparaturvorschläge erzeugen. Es lädt Ornith‑1.5‑9B auf eine lokale GPU, begrenzt den Zugriff auf ein Test-Repository und prüft jeden Patch durch Tests und menschliches Review. So verlassen Quellcode und Tickets das Firmennetz nicht.
Nach zwei Wochen vergleicht das Team 200 Vorschläge mit seinem bisherigen Modell: Wie viele Tests bestehen, wie oft werden falsche Dateien geändert und wie viel Rechenzeit kostet ein brauchbarer Patch? Erst diese eigene Messung entscheidet, ob die veröffentlichten Benchmarkwerte im realen Projekt etwas bedeuten.
Einordnung und Grenzen
- Die Leistungswerte stammen überwiegend von Ornith selbst. Unabhängige Reproduktionen waren am 20. August 2026 noch nicht verfügbar.
- MIT-Lizenz und offene Gewichte bedeuten nicht, dass Trainingsdaten, Sicherheitsverhalten oder alle Risiken vollständig transparent sind.
- Ein lokal laufendes Modell ist nicht automatisch sicher. Coding-Agenten brauchen Sandboxen, minimale Rechte, Tests und menschliche Freigaben.
- Die 397B-Variante bleibt für die meisten Einzelpersonen unpraktisch. Selbst quantisierte Mobilvarianten können langsamer, ungenauer oder energiehungriger sein als Servermodelle.
SEO- und GEO-Schlüsselbegriffe
Ornith‑1.5, Ornith AI, Open-Weight-Modell, lokale KI, Coding-Modell, Reinforcement Learning, selbstverbessernde KI, Hugging Face, MIT-Lizenz, GGUF, MLX, SWE-bench
💡 Im Klartext
Ornith‑1.5 ist eine offene Modellfamilie für Coding und Werkzeugnutzung. Die kleinste Variante soll lokal auf einer GPU und quantisiert sogar auf Mobilgeräten laufen; die beworbenen Leistungswerte müssen aber noch unabhängig bestätigt werden.
Wichtigste Erkenntnisse
- →Ornith veröffentlichte die Modellfamilie am 19. August 2026 unter der MIT-Lizenz.
- →Die Familie umfasst Varianten mit 9B, 35B-A3B und 397B Parametern.
- →Das 9B-Modell ist für lokale Einzel-GPU-Nutzung und quantisierte Mobilvarianten gedacht.
- →Die Trainingsschleife erzeugt Aufgaben, Lösungsstrategien und Rollouts gemeinsam.
- →Die Benchmarkwerte sind Herstellerangaben und noch nicht unabhängig bestätigt.
Häufige Fragen
Ist Ornith‑1.5 Open Source?
Die Gewichte und Modellkarten sind öffentlich verfügbar und nennen die MIT-Lizenz. Vollständige Offenheit über Trainingsdaten und Trainingsprozess folgt daraus jedoch nicht automatisch.
Kann Ornith‑1.5 lokal laufen?
Das 9B-Modell ist für eine einzelne GPU gedacht. Zusätzliche GGUF- und MLX-Varianten erleichtern lokale und quantisierte Nutzung.
Sind die Benchmarks unabhängig bestätigt?
Noch nicht. Die genannten Werte stammen aus den offiziellen Modellkarten und sollten als Herstellerangaben behandelt werden.
Was bedeutet A3B beim 35B-Modell?
Das Modell besitzt insgesamt 35 Milliarden Parameter, aktiviert pro Token aber ungefähr drei Milliarden. Das soll Rechenaufwand gegenüber einem vollständig aktiven 35B-Modell reduzieren.