Ornith-1.0-9B
大家好！🌺 今天，我们正式发布 Ornith-1.0——一个具备自我提升能力的开源智能体编码模型系列。
核心亮点：
顶尖编码智能体：提供 9B-Dense、31B-Dense、35B-MoE 和 397B-MoE 版本（基于 Gemma 4 和 Qwen 3.5 进行后训练），在 Terminal-Bench 2.1、SWE-Bench、NL2Repo 和 OpenClaw 等编码基准测试中，取得了同规模开源模型中的顶尖性能。
自我提升训练框架：Ornith-1.0 采用强化学习技术，不仅学习生成解决方案流程，还能学习驱动这些流程的框架。通过联合优化框架与生成的解决方案，模型能够发现更优的搜索路径并生成更高质量的结果。
许可协议：采用 MIT 许可协议，全球可访问，无区域使用限制。
Ornith 1.0 9B
本模型卡片详细介绍 Ornith-1.0-9B，它是 Ornith 系列中最轻量的成员，专为高效单 GPU 部署设计。
基准测试
Ornith-1.0-9BQwen3.5-9BQwen3.5-35BGemma4-12BGemma4-31B智能体编码Terminal-Bench 2.1 (Terminus-2)43.121.341.42142.1Terminal-Bench 2.1 (Claude Code)40.618.938.9--SWE-bench Verified69.453.27044.252SWE-bench Pro42.931.344.627.635.7SWE-bench Multilingual5239.760.332.551.7NL2Repo27.216.220.510.315.5Claw-eval Avg63.153.265.432.548.5SWE Atlas - QnA17.99.213.2--SWE Atlas - RF16.64.310.2--SWE Atlas - TW15.34.49.8--
* Terminal-Bench 2.1 (Terminus-2)：我们使用 Harbor/Terminus-2 框架评估 Terminal-Bench 2.1，参数设置为 parser=json，temperature=1.0，top_p=1.0，上下文窗口 128K。每次运行使用 4 小时超时限制，配备 32 个 CPU 核心和 48GB 内存，结果取 5 次运行的平均值。我们调整了 Qwen 对话模板以确保训练和推理的一致性（https://huggingface.co/deepreinforce-ai/Ornith-1.0-397B/blob/main/chat_template.jinja），并修改了 Harbor 以适配 vLLM 的 reasoning_content 键。
* Terminal-Bench 2.1 (Claude Code)：我们使用 Claude Code 2.1.126 评估 Terminal-Bench 2.1，参数设置为 parser=json，temperature=1.0，top_p=1.0，max_new_tokens=131072。结果取 5 次运行的平均值。同样需要修改 Qwen 对话模板。
* SWE-Bench Verified、Pro 和 Multilingual：使用 OpenHands 测试框架，参数设置为 temp=1.0，top_p=0.95，上下文窗口 256K。
* SWE Atlas QnA、RF、TW：使用 mini SWE agent 测试框架，参数设置为 temp=1.0，top_p=0.95，上下文窗口 128K。结果取 5 次运行的平均值。
* NL2Repo：参数设置为 temperature=1.0，top_p=1.0，上下文 400K，输出 48K，并启用反黑客过滤。
* ClawEval：基于真实用户任务分布的智能体编码基准测试；参数设置为 temp=0.6，上下文窗口 256K。
快速入门
📝 注意
Ornith-1.0-9B 是一个 推理模型：默认情况下，助手回复会以
部署 Ornith-1.0-9B 需要使用较新版本的运行环境：
Transformers ≥ 5.8.1
vLLM ≥ 0.19.1
SGLang ≥ 0.5.9
推荐的采样参数：temperature=0.6，top_p=0.95，top_k=20（若要复现报告中的基准测试设置，请使用 temperature=1.0）。
部署 Ornith-1.0-9B
Ornith-1.0-9B 是一个约 90 亿参数的密集型模型（bf16 格式下约 19 GB），因此可在单张 80GB GPU 上流畅部署。以下方案可搭建兼容 OpenAI API 的服务；若需跨多张 GPU 进行分片部署，可添加 --tensor-parallel-size / --tp 参数。
vLLM
vllm serve deepreinforce-ai/Ornith-1.0-9B \
--served-model-name Ornith-1.0-9B \
--host 0.0.0.0 --port 8000 \
--max-model-len 262144 \
--gpu-memory-utilization 0.90 \
--enable-prefix-caching \
--enable-auto-tool-choice --tool-call-parser qwen3_xml \
--reasoning-parser qwen3 \
--trust-remote-code
SGLang
python -m sglang.launch_server \
--model-path deepreinforce-ai/Ornith-1.0-9B \
--served-model-name Ornith-1.0-9B \
--host 0.0.0.0 --port 8000 \
--context-length 262144 \
--mem-fraction-static 0.85 \
--tool-call-parser qwen3_coder \
--reasoning-parser qwen3
Hugging Face Transformers
如需快速进行本地测试（或编写离线生成脚本），可直接使用Transformers加载模型。请确保已安装最新版本——详见Transformers安装指南；Ornith-1.0-9B要求transformers >= 5.8.1。
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "deepreinforce-ai/Ornith-1.0-9B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
model_name,
dtype="auto",
device_map="auto",
)
messages = [
{"role": "user", "content": "Write a Python function is_prime(n). Keep it short."}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
generated = model.generate(
**inputs,
max_new_tokens=512,
do_sample=True,
temperature=0.6,
top_p=0.95,
top_k=20,
)
output_ids = generated[0][inputs.input_ids.shape[1]:]
# The reply contains a
content = tokenizer.decode(output_ids, skip_special_tokens=True)
print(content)
为将推理过程与最终答案分离，请依据 标记进行解析：
text = tokenizer.decode(output_ids, skip_special_tokens=True)
if "" in text:
reasoning, answer = text.split("", 1)
reasoning = reasoning.replace("
answer = answer.strip()
else:
reasoning, answer = "", text.strip()
通过聊天补全 API 使用 Ornith-1.0-9B
vLLM 或 SGLang 服务器启动后，即可通过任何兼容 OpenAI 的客户端与其交互。
基本用法
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="EMPTY", # any non-empty string works for a local server
)
response = client.chat.completions.create(
model="Ornith-1.0-9B",
messages=[
{"role": "user", "content": "Write a one-line Python lambda that squares a number."}
],
temperature=0.6,
top_p=0.95,
max_tokens=1024,
)
message = response.choices[0].message
# reasoning_content holds the
print("reasoning:", getattr(message, "reasoning_content", None))
print("answer:", message.content)
您还可以流式传输 tokens，或者为模型提供工具——Ornith-1.0-9B 会生成格式规范的函数调用，服务器会将其解析为标准的 tool_calls 字段：
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get the current weather for a city",
"parameters": {
"type": "object",
"properties": {"city": {"type": "string"}},
"required": ["city"],
},
},
}
]
response = client.chat.completions.create(
model="Ornith-1.0-9B",
messages=[{"role": "user", "content": "What is the weather in Paris right now?"}],
tools=tools,
tool_choice="auto",
temperature=0.6,
max_tokens=2048,
)
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.function.name, tool_call.function.arguments)
# -> get_weather {"city": "Paris"}
您可以将任何与 OpenAI 兼容的 SDK（Python、Node.js 等）或 curl 指向相同的 /v1/chat/completions 端点。
智能体使用
Ornith-1.0-9B 在工具调用和智能体编码能力方面表现出色。
智能体框架
由于 Ornith-1.0-9B 公开了一个支持工具调用的与 OpenAI 兼容的端点，因此它可以直接与标准智能体框架配合使用。以下是一个通过 MCP 服务器将 Ornith-1.0-9B 连接到工具的简单示例。
import os
from openai import OpenAI
client = OpenAI(
base_url=os.getenv("OPENAI_BASE_URL", "http://localhost:8000/v1"),
api_key=os.getenv("OPENAI_API_KEY", "EMPTY"),
)
tools = [
{
"type": "function",
"function": {
"name": "run_shell",
"description": "Run a shell command and return its output.",
"parameters": {
"type": "object",
"properties": {
"command": {"type": "string", "description": "The command to run"}
},
"required": ["command"],
},
},
}
]
messages = [{"role": "user", "content": "List the Python files in the current directory."}]
response = client.chat.completions.create(
model="deepreinforce-ai/Ornith-1.0-9B",
messages=messages,
tools=tools,
temperature=0.6,
top_p=0.95,
)
print(response.choices[0].message)
Ornith 与智能体测试框架结合使用的示例：
Hermes 智能体
# Hermes talks to any OpenAI-compatible endpoint — point it at your Ornith server.
export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"
export MODEL="deepreinforce-ai/Ornith-1.0-9B"
Atomic.chat / Ollama / llama.cpp
# Both runtimes load a GGUF build of Ornith (publish one at deepreinforce-ai/Ornith-1.0-9B-GGUF).
# llama.cpp — serve an OpenAI-compatible API on port 8000.
llama-server -hf deepreinforce-ai/Ornith-1.0-9B-GGUF --port 8000 -c 262144
# Ollama — pull and chat with the same GGUF straight from Hugging Face.
ollama run hf.co/deepreinforce-ai/Ornith-1.0-9B-GGUF
OpenClaw
# OpenClaw talks to any OpenAI-compatible endpoint — point it at your Ornith server.
export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"
export OPENAI_MODEL="deepreinforce-ai/Ornith-1.0-9B"
Unsloth 工作室
pip install unsloth
# Load Ornith for fast local inference or fine-tuning (Python):
# from unsloth import FastLanguageModel
# model, tokenizer = FastLanguageModel.from_pretrained(
# "deepreinforce-ai/Ornith-1.0-9B",
# max_seq_length=262144,
# load_in_4bit=True,
# )
开放之手
pip install openhands-ai
# OpenHands routes through LiteLLM; the "openai/" prefix selects the OpenAI-compatible path.
export LLM_MODEL="openai/deepreinforce-ai/Ornith-1.0-9B"
export LLM_BASE_URL="http://localhost:8000/v1"
export LLM_API_KEY="EMPTY"
# Launch the CLI (or run the official OpenHands Docker image with the same env vars).
openhands
编码命令行界面
Ornith-1.0-9B 针对基于终端的编码代理进行了优化。将任何兼容 OpenAI 的编码命令行界面指向您的 Ornith-1.0-9B 端点（设置 OPENAI_BASE_URL 和 OPENAI_API_KEY），即可理解大型代码库、自动化繁琐工作并加快交付速度。
OpenCode
# Register your local Ornith endpoint as a provider in ~/.config/opencode/opencode.json:
#
# {
# "$schema": "https://opencode.ai/config.json",
# "provider": {
# "ornith": {
# "npm": "@ai-sdk/openai-compatible",
# "name": "Ornith (local)",
# "options": { "baseURL": "http://localhost:8000/v1", "apiKey": "EMPTY" },
# "models": { "deepreinforce-ai/Ornith-1.0-9B": { "name": "Ornith-1.0-9B" } }
# }
# }
# }
opencode
引用
如果您觉得我们的工作有帮助，欢迎引用我们的成果。
@misc{ornith_9b,
title = {{Ornith-1.0-9B}: Agentic Coding, Open to All},
url = {https://deep-reinforce.com/ornith_1_0.html},
author = {{DeepReinforce Team}},
year = {2026}
}