Ornith-1.5-122B: Selbstverbesserndes MoE-Modell unter MIT-Lizenz
Ornith AI veröffentlicht ein 122B-MoE-Modell, das Aufgaben, Scaffolds und Lösungswege in einer gemeinsamen Self-Improvement-Schleife optimiert und bei Coding-Benchmarks nahe an größere Modelle kommt.
Worum es geht
Ornith AI stellt Ornith-1.5-122B vor, ein MoE-Modell auf Basis von Qwen3.5 und Gemma4 (über Ornith-1.0). Neu ist, dass die Self-Improvement-Schleife nun Aufgabengenerierung, Scaffold-Konstruktion und Lösungs-Rollouts gemeinsam per Reinforcement Learning optimiert.
Die wichtigsten Fakten
- Rund 125 Mrd. Parameter, MoE, Lizenz MIT
- Für effizientes Single-GPU-Deployment ausgelegt; quantisierte Variante Ornith-1.5-122B-Mobile für Edge-Geräte
- TerminalBench 2.1: 81,2 (Qwen3.8-Flash-Next 83,4; DeepSeek-V4-Flash-0731 82,7; Beam 80,1)
- CyberGym: 80,0 (Qwen3.8-Flash-Next 78,0)
- Bild-Text-Eingabe unterstützt (image-text-to-text)
- Details in einem Blogpost des Herstellers
Einordnung
Die Coding-Werte liegen nahe an deutlich größeren Modellen, stammen aber vom Hersteller. Die MIT-Lizenz ist sehr freizügig. Für lokalen Betrieb sind selbst quantisiert grob 75 GB oder mehr nötig, "Single-GPU" meint also Workstation- oder Server-Hardware. Unabhängige Tests stehen aus.
🧪 Selbst ausprobieren: Ornith-1.5-122B
| Hugging Face | ornith-ai/Ornith-1.5-122B |
|---|---|
| Größe | 125.1 Mrd. Parameter |
| VRAM (4-bit, geschätzt) | ~76.6 GB |
| Lizenz | mit |
| Typ | text · text-generation |
⚠️ Groß (125.1 Mrd. Parameter): braucht auch quantisiert ~76.6 GB VRAM/RAM. Colab Free (T4, 15 GB) reicht nicht.
⚡ Schnellster Weg (Ollama, alle Systeme)
ollama run hf.co/ornith-ai/Ornith-1.5-122B-GGUF☁️ Google Colab
Notebook herunterladen- colab.research.google.com öffnen
- Datei → Notebook hochladen →
colab.ipynb - Laufzeit → Laufzeittyp ändern → GPU (T4)
- Laufzeit → Alle ausführen
Die Skripte sind automatisch erzeugt. Vor dem Ausführen kurz reinschauen – und die Model Card lesen, manche Modelle brauchen spezielle Versionen.