DeepReinforce 发布 Ornith-1.0 开源编程模型（2分钟阅读）

# DeepReinforce 发布 Ornith-1.0 开源编码模型 来源：https://www.testingcatalog.com/deepreinforce-releases-ornith-1-0-open-source-coding-models/ Google 优选来源 (https://google.com/preferences/source?q=testingcatalog.com) DeepReinforce 已开源 Ornith-1.0，这是一个面向智能体编码的自改进模型系列。该版本覆盖完整规模范围：从适用于边缘部署的紧凑型 9B Dense 版本，到面向前沿级任务的 397B MoE 模型，中间还包括 31B Dense 和 35B MoE 两种选择。每个变体均在预训练的 Gemma 4 和 Qwen 3.5 基础之上进行训练。 ## Ornith-1.0 的独特之处 Ornith-1.0 与大多数强化学习设置的区别在于它对"支架"（scaffold）的处理方式。模型不依赖人工设计的"缰绳"来引导解决方案生成，而是自行学习生成解决方案的 rollout 以及指导这些 rollout 的任务特定支架。每个强化学习步骤分两个阶段运行：根据当前任务及上次使用的支架，模型先提出一个改进后的支架，然后基于该支架生成解决方案。来自 rollout 的奖励会反向传播到两个阶段，因此模型既学习编写编排逻辑，也学习给出答案。在训练过程中反复迭代，支架会不断变异和选择，最终收敛到能产生更优奖励轨迹的那些，而每个任务的策略也会自行浮现，无需人工设计缰绳。 ## 防奖励黑客的三层防御 让模型自行编写支架会打开奖励黑客攻击的路径——支架可能通过验证器而不真正完成任务。DeepReinforce 描述了三层防御机制： 1. 固定的外部信任边界：确保环境和测试隔离在模型的可及范围之外。 2. 确定性监控器：标记试图读取被屏蔽路径或修改验证脚本的行为。 3. 冻结的 LLM 评判器：当在允许的工具表面内部出现"夺权"行为时，否决验证器。 ## 性能表现 在性能方面，DeepReinforce 将 Ornith-1.0 定位为开源模型中同等规模里最先进的。公司报告称，397B 旗舰模型在 Terminal-Bench 2.1 上达到 77.5，在 SWE-Bench Verified 上达到 82.4，与 Claude Opus 4.7 以及 MiniMax M3、DeepSeek-V4-Pro 等顶级开源同类模型持平。35B 模型据称可超越同等规模的 Qwen 和 Gemma 构建，而 9B 版本在 Terminal-Bench 2.1 上获得 43.1，在 SWE-Bench Verified 上获得 69.4，并可与大得多的模型（如 Gemma 4-31B）相媲美，这使得资源受限的硬件也能进行高效的编码任务。 ## 关于 DeepReinforce DeepReinforce 是该成果背后的 AI 实验室，一个公开发表强化学习研究的团队，此前曾发布 CUDA-L1 等工作，并推出了面向代码智能体的 IterX 优化循环。Ornith-1.0 通过将支架构建融入训练过程本身，进一步推进了这一方向。权重和技术报告已在 Hugging Face 上发布，供希望直接运行或研究这些模型的团队使用。