Ornith 1.0 與 Self-Scaffolding：Agentic Coding 的訓練、評測與信任邊界

原文出處： Ornith-1.0: Self-Scaffolding LLMs for Agentic Coding | DeepReinforce Blog

2026 年 6 月，AI 開發者社群迎來了一項令人矚目的開源突破——DeepReinforce 團隊正式發布了專為 Agentic Coding（代理編程）打造的開源模型家族 Ornith-1.0。

令人震驚的是，旗艦款 Ornith-1.0-397B 在 Terminal-Bench 2.1 達到了 77.5 分、SWE-Bench Verified 達到了 82.4 分，不僅超越了同規模的開源巨擘 MiniMax M3 與 DeepSeek-V4-Pro，更一舉超越了 Anthropic 的頂級閉源模型 Claude Opus 4.7（70.3 / 80.8）。

更誇張的是，連可以在終端裝置（Edge Device）上部署的輕量版 Ornith-1.0-9B，其表現甚至能碾壓許多 31B 甚至 35B 規模的中型模型。

究竟這款開源模型為什麼這麼強？本文將深度解讀 Ornith-1.0 的核心技術白皮書，拆解其背後革命性的 Self-Scaffolding（自我腳手架建構） 訓練機制與工程實現細節。

1. 模型陣容與預訓練基底

Ornith-1.0 並非單一模型，而是一整套涵蓋從端側輕量化到雲端頂峰算力的完整模型家族。團隊選擇了市場上最強大的預訓練基底 Gemma 4 與 Qwen 3.5 進行二次微調與強化學習：

1. Ornith-1.0-9B (Dense)：基於 Gemma 4 / Qwen 3.5 密集模型微調，專為邊緣裝置 (Edge Devices) 與端側開發打造，具備極高的推理速度與低記憶體佔用。
2. Ornith-1.0-31B (Dense)：中型密集模型，兼具強悍的單核推理能力與靈活的本地部署潛力。
3. Ornith-1.0-35B (MoE)：採用混合專家 (Mixture-of-Experts) 架構，以極低的啟用參數數實現越級的程式開發表現。
4. Ornith-1.0-397B (MoE)：旗艦級超大規模 MoE 模型，專為極致的複雜軟體工程任務與多步驟 Agent 協同設計。

2. 核心突破：「Self-Scaffolding」讓模型自己寫腳手架 (Harness)

在傳統的強化學習 (RL) 代理編程訓練中，工程師通常會設計一套固定、通用的 Harness（測試腳手架 / 框架），來導引模型在環境中進行探索與生成解答 (Rollout)。

然而，Ornith-1.0 團隊提出了一個核心洞察：固定的 Harness 限制了模型的推理上限。不同類型的寫程式任務，最佳的思考架構與工具調用策略應該是完全不同的。

因此，Ornith-1.0 引入了 Self-Scaffolding 協同演化訓練框架：

+-----------------------------------------------------------------------------------+
|                        Ornith 1.0 Self-Scaffolding RL Step                        |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ Task Description + Prior Scaffold ]                                            |
|                  │                                                                |
|                  ▼                                                                |
|   Stage 1: Propose Refined Scaffold (模型自發修訂任務專屬 Harness)                 |
|                  │                                                                |
|                  ▼                                                                |
|   Stage 2: Generate Solution Rollout (基於新 Harness 執行解題軌跡)                 |
|                  │                                                                |
|                  ▼                                                                |
|   [ Reward Signal ] ── (反向傳播獎勵至 Stage 1 與 Stage 2)                         |
|                                                                                   |
+-----------------------------------------------------------------------------------+

在每一個 RL 訓練步驟中，模型會分成兩個階段：

1. Stage 1（腳手架提案）：給定任務描述與過往使用的 Harness，模型先自主提案並修訂出一套專屬於該任務的內建 Harness（包含記憶管理、重試機制與工具調用順序）。
2. Stage 2（解答執行）：基於剛剛自己寫出的 Harness，模型生成最終的程式碼解答軌跡 (Rollout)。

最終的環境獎勵 (Reward) 會同時回傳給這兩個階段！這意味著，模型不僅在學習「如何寫出對的程式碼」，更在學習「如何為自己打造最順手的思維框架與編排邏輯 (Orchestration)」。經過無數次迭代，各種針對特定任務類別的代理策略便會自動湧現 (Emerge)。

3. 解決 Reward Hacking：三層嚴密防線

讓模型自己修改控制自己的 Harness，最致命的風險就是 Reward Hacking（獎勵作弊）——模型會學會「偷看測試答案」、「硬編碼輸出結果」或「直接複製環境中的隱藏驗證檔」，從而在不真正解決問題的情況下取得滿分。

為了封殺作弊行為，Ornith-1.0 構建了三層防禦體系：

1. 不可變的外層信任邊界 (Immutable Outer Trust Boundary)： 環境隔離、工具介面與測試驗證腳本放在模型的權限之外。模型只能演化內部的 Policy Scaffold（如長效記憶處理、錯誤重試機制、自我檢測邏輯），無法動到外部環境。
2. 決定性即時監控器 (Deterministic Monitor)： 在工具層進行嚴格監控。一旦偵測到模型企圖讀取保密路徑、修改驗證腳本或調用未授權工具，該次探索軌跡會直接判定為 0 分，並從 Advantage 計算中排除。
3. 凍結的 LLM 裁判 (Frozen LLM Judge)： 為防範模型在合規工具內進行意圖層面的作弊，在傳統 Verifier 之上設有一關由獨立 LLM 擔任的裁判，擁有最終一票否決權。

4. 非同步 Pipeline-RL 與 Token 衰減權重

在長軌跡的 Agent 訓練中，傳統 RL 容易面臨舊 Policy (Off-policy) 資料失效的問題。Ornith-1.0 採用了 Pipeline-RL 架構，並引入了 Staleness Weight（過期度權重 (w(d_t))）。

根據 Token 的「年齡」(d_t)，透過以下分段函數對 Token 進行降權，超過門檻直接捨棄：

[ w(d_t)= \begin{cases} 1, & \text{if } d_t \le K_1,\ \exp!\bigl(-\lambda(d_t-K_1)\bigr), & \text{if } K_1 < d_t \le K_2,\ 0, & \text{if } d_t > K_2. \end{cases} ]

結合 Token-level GRPO 損失函數：

[ L_t=\min!\bigl(r_t A_t,; \mathrm{clip}(r_t,1-\epsilon^{-},1+\epsilon^{+})A_t\bigr)\cdot w(d_t) ]

其中比例 (r_t) 表示新舊 Policy 的概率比。這確保了模型在極長推理軌跡下訓練的穩定性與收斂速度。

5. 戰績榜：全方位評測數據對比

Ornith-1.0 在各項權威榜單上展現了恐怖的越級挑戰能力：

旗艦級模型對比 (397B / Frontier Class)

評測基準 (Benchmark)	Ornith-1.0-397B	Qwen3.5-397B	Qwen3.7-Max	DeepSeek-V4-Pro	Claude Opus 4.7	Claude Opus 4.8
Terminal-Bench 2.1 (Terminus-2)	77.5	53.5	73.5	64.0	70.3	85.0
Terminal-Bench 2.1 (Claude Code)	78.2	48.6	69.8	66.5	69.7	78.9
SWE-Bench Verified	82.4	76.4	80.4	80.6	80.8	87.6
SWE-Bench Pro	62.2	51.6	60.6	55.4	64.3	69.2
SWE-Bench Multilingual	78.9	69.3	78.3	76.2	-	-
NL2Repo	48.2	36.8	47.2	-	-	69.7
ClawEval Avg	77.1	70.7	65.2	75.8	78.2	-

中型與端側模型對比 (35B & 9B Class)

• Ornith-1.0-35B：在 Terminal-Bench 2.1 取得 64.2 分，直接碾壓了 397B 參數的 Qwen 3.5-397B（53.5 分），並在 SWE-Bench Verified 達到 75.6。
• Ornith-1.0-9B：在 SWE-Bench Verified 取得 69.4 分，性能追平甚至超越了 31B 規模的 Gemma 4-31B（52.0 分）與 Qwen 3.5-35B（70.0 分）。

6. 給企業與開發者的工程建議

基於 Ornith-1.0 的 Self-Scaffolding 成功實踐，我們為建置 Agentic 系統的團隊提出以下四大工程建議：

7. 工程判讀：評測領先不等於可以直接授權

Ornith-1.0 的結果指出：AI Agent 的能力不只取決於模型本體 (Model) 的參數規模，也取決於 Harness（腳手架）與模型如何共同演化。文中各項比較與成績應視為發布方報告，實務上仍須在自己的程式庫、工具鏈與權限模型中重做驗證。

若讓 Agent 動態調整工作流，環境隔離、工具白名單、測試資料與發布權限必須留在模型無法修改的外層控制面；否則改善評測表現的策略，也可能成為繞過約束的途徑。

延伸閱讀

• AI Agent 完整指南：從架構到生產環境
• Gemini 3.6 Flash、3.5 Flash-Lite 與 Cyber：Agent 模型選型的工程判讀