AI自己出题自己练！两个月狂涨11%，编码自测反超Opus 4.8

新智元报道

训练一个能干活的模型，最贵的不是显卡，是训练题。

尤其是到了编码和智能体这一档，光有题目和答案根本不够用：还要给它准备一套跑得起来的环境，一份判得了对错的测试，还要防着模型翻旧提交抄答案。

难度也不能瞎给。

太简单，模型闭着眼做完，什么也没学到；太难，一道都不会，攒不下正确的经验，等于白烧一轮算力。

这些全凑齐了，还得凑够量。

过去这活一直是人在干。慢、贵不说，主要是供不上：你刚整理完一批，模型转头就做完了。

那让模型自己给自己出题呢？

真有人这么干了。

今年8月，Ornith一口气放出397B MoE、35B MoE和9B Dense三档权重。

训练流程里多了一个前所未有的环节：模型自己生成训练任务，自己搭解题脚手架，自己跑解题轨迹，三段一起丢进强化学习。

出题这件事，AI从人手里接过去了。

数字立刻给出了回报。

Terminal-Bench 2.1上，两个月前的1.0是77.5，这次的397B跑到86.1。两个月，涨了8.6个百分点。

同一张表里，Ornith给出的Claude Opus 4.8成绩是85.0。

一个能随便下载的MIT权重，在这张表上排到了闭源旗舰前面。

1.0学怎么解

1.5学练什么

今年6月的Ornith-1.0，已经干过一件挺激进的事：把agent脚手架，也就是AI解题时用的工作台，变成了可学习的对象。

通常的做法是，人类工程师给某一类任务设计好一套脚手架：工具怎么给、任务怎么拆、出错怎么重试，全写死，然后让模型在这个固定框架里反复刷。

1.0把这套框架拆了，交给模型自己搭。

每个强化学习步骤分两段：先根据任务和上一轮用过的脚手架，改出一版新的；再在这版脚手架上跑解题轨迹。奖励从轨迹回传，两段都拿得到。

Ornith-1.0的两段式自我提升框架。先改脚手架，再跑解题轨迹，奖励回传两段。

模型学会了搭工作台。但活儿还是人派的：题目从哪来，1.0没碰。

1.5把这一环也接了过去。

给定一个代码库，一段关于任务类型的高层说明，再加上模型自己过去的解题记录，系统先生成一批新题，专挑比它已经做出来的更难一档的，戳自己的能力缺口。

题定下来，模型再为这道题生成或改进专属脚手架：指令、工具、拆解策略、编排逻辑。

最后在任务和脚手架的双重条件下，跑出解题轨迹。

奖励从轨迹反向传回全部三段，一起用GRPO优化。

关键在于出卷这一半也要打分。题出得不好，出题的那一半照样扣分。

出题、搭台、解题，在这一刻闭环了。

策略越强，出的题越难越有信息量；脚手架进化，越能把模型的本事榨出来；轨迹质量上去，又反过来喂出更狠的学习信号。

过去两年，开放模型追赶闭源旗舰基本就两条路，堆参数，抄配方。

两条都是照着别人的卷子抄答案。Ornith不想抄了。它要的是AI自己出卷。

自己出的题

怎么保证不是废题

听上去很美，但很快就能想到破绽：模型要是给自己出送分题呢？

奖励往哪儿高，模型就往哪儿漂。一个只会出「1+1等于几」的出题人，能把分数刷爆，训练信号却一点都没有。

Ornith的办法是把任务奖励拆成三个信号：有效性、前沿难度、新颖性，三者相乘。

相乘是关键。任何一项接近零，整道题的奖励归零。想拿分，三项必须同时成立。

有效性管的是这道题成不成立：

脚手架跑不跑得起来，高置信度的正确解能不能通过，明显错误的解会不会被判失败，判分逻辑跟任务描述对不对得上。

团队干脆把它当硬门槛，不合格直接判零，专拦那些看着很难、其实根本判不出对错的废题。

前沿难度，是整套设计里一个亮点。

系统对每道题采样若干条轨迹，算出经验成功率，越接近0.2这个目标值，奖励越高。

也就是说，一道好题，模型十次里应该做成两次。

做成八次，说明它已经会了，没有训练价值；一次都做不成，连一条能学的成功轨迹都攒不出来，强化学习同样空转。

卷子必须踩在模型刚好差一口气的位置上。

更妙的是，这个靶子会随着模型能力动：某类题做熟了，成功率上去，奖励自动往下掉，出题端只能继续加码。整条难度曲线自动爬升，不用人再去调。

新颖性排第三，权重也最低，只负责一件事：别老出同一道题的变体。

官方特意注明它的优先级低于前两项，职责是去冗余，并非奖励怪题。

所以这套「自我提升」，真正提升的是课程的自动演进。

整套流程发生在训练阶段。

你从Hugging Face下下来的那份权重是死的，它不会在你的笔记本或者手机上一边干活一边改自己。

两把不同的尺子

先说清86.1是怎么来的。

这个Terminal-Bench 2.1成绩，是Ornith团队在自己的环境里、用自己的配置跑出来的，官网写明取五次独立运行的平均值。

而Terminal-Bench 2.1自己有一张官方验证榜单，每一条结果都由榜单团队成员亲自复跑、核验之后才挂上去。

截至2026年8月19日，那张榜单一共17项，里面没有Ornith-1.5。

Terminal-Bench 2.1官方榜单前八。Opus 4.8以78.9%排第5，17项里没有Ornith-1.5。

更要紧的是对比对象。

Ornith表里的Opus 4.8成绩85.0，是他们自己用Terminus-2框架给Opus 4.8跑出来的数。而官方榜单上，Anthropic提交的Claude Code加Opus 4.8，经核验是78.9%，排第5；榜首是Claude Code加Fable 5的83.8%。

同一个Opus 4.8，两张表相差6.1分。

区别是谁在测、用什么测。

Terminal-Bench这类智能体基准，测的是模型、脚手架、超时、上下文和资源配置的组合成绩。

换一套配置，分数就换一层含义。

所以，榜单页面上挂着一条提交规则：不得修改超时或资源配置。就是为了不让参赛方靠调配置把分数刷上去。

Ornith博客披露的自测配置是4小时超时、32核CPU、48GB内存。

另外还动了配置，包括官方点名锁死的超时和资源。

这些改动未必是冲着刷分去的，但可比的前提已经没了：项目自测和官方验证榜，不能放进同一个排名里读。

许可证这一层同样要说清楚。

MIT标的是权重。公开的GitHub仓库目前主要是README、LICENSE和展示素材，没看到1.5完整的训练实现、训练任务集，也没有可复现的评测脚本。

开放权重，不等于全套开源。

最有意思的其实是35B和9B

旗舰负责上热搜，中小尺寸才决定有多少人真的用得上。

这次发布里，最容易被忽略的，是中间那两档。

35B-A3B是个MoE，每个token只激活约3B参数。

就这个激活量，Terminal-Bench 2.1跑到67.8，对比Gemma 4-31B的42.1和Muse Glimmer-30B的51.7高出一个身位。SWE-bench Verified上79.0对52.0。

3B激活打赢31B稠密模型，是这次发布里最划算的一款。

比它更小的那一档，9B Dense则是摆明了要冲端侧的那一档。

自测Terminal-Bench 46.2，SWE-bench Verified 70.6，GPQA Diamond 86.4。

Hugging Face上，5.63GB的压缩版已经放出来了，苹果电脑用的MLX格式也有。

但9B也不是全面压过Gemma 4-31B。

编码和推理项上它确实领先，MCP-Atlas却是54.2对55.0，Toolathlon-Verified是41.2对52.8。

这两项考的是多轮调工具、接住返回结果、按状态改计划，链条一长，9B的容量就撑不住了。

编码和推理能靠训练方法把体量差补回来，工具调用补不回来。

下一场竞赛

可能在题库

6月的1.0，Terminal-Bench自测77.5。8月的1.5，86.1。

两个月，提升了约11.1%。

比这个数字更重要的，是它背后的能力是怎么长出来的。

1.0学的是「怎么解」，1.5开始学「该练什么」。数据生产这道工序，被整个搬进了强化学习的闭环。

高质量的智能体训练任务，一直是稀缺品。

人工整理的速度，早就跟不上模型吃题的速度。这套机制冲着解决的，刚好是这个很具体的工程问题。

开放模型追赶闭源旗舰的方式正在切换。

堆参数和抄配方之外，多了一条路：自己造题。谁能持续造出好题，谁就握着持续变强的燃料。

Ornith-1.5的三段闭环。生成任务、生成脚手架、跑出轨迹，奖励回传三段，统一用GRPO更新。

模型的上限，除了拼算力，还要拼题库。

只是当出题、搭台、解题都交给模型，人类留在这个闭环里的位置是什么？

参考资料：

https://ornith.ai/ornith_1_5.html

https://ornith.ai/ornith_1_0.html

https://www.tbench.ai/leaderboard/terminal-bench/2.1

编辑：元宇