Ornith-1.0: Amikor a mesterséges intelligencia saját magát tanítja kódolni

Az AI-fejlesztők körében mostanság nagyon úgy tűnik, mintha mindenki csak a paraméterszám növelésében és a benchmark-pontszámok hajszolásában látná a jövőt. Érthető, hiszen ez a bevett út. De néha bedob valami váratlant a szakma, és akkor muszáj megállni egy pillanatra. Az Ornith-1.0 pont egy ilyen pillanat.

Miért más ez a megközelítés?

A hagyományos megerősítéses tanulás (RL) a kódolási feladatoknál gyakorlatilag emberi tervezésű keretrendszerekre épül. Szakértők írják a teszteket, ők határozzák meg, mit jelent a siker, és irányítják a modellt a megfelelő megoldások felé. Ez működik, de van egy alapproblémája: a tanulás minőségét végső soron az határolja, amit az emberek ki tudnak találni.

Az Ornith-1.0 gyökeresen más irányba megy. Itt a keretrendszer (scaffold) nem statikus, ember által tervezett eszköz, hanem tanulható objektum. A modell egyszerre tanulja meg a megoldásokat generálni ÉS azokat a specifikus tesztkörnyezeteket létrehozni, amelyek a megoldásokat értékelik.

A különbség lényege: míg a hagyományos RL úgy működik, mintha egy tanár által írt feladatokat oldanál meg, az Ornith-1.0 azt jelenti, hogy megérted a feladatok logikáját is. A modell nem egyszerűen problémákat old meg – megtanulja, hogyan kell megközelíteni a problémákat.

A technológia, ami mindezt lehetővé teszi

Kétlépcsős folyamatról van szó, amely a tanítás során ismétlődik. Az első lépésben a modell, látva a feladatot és az ahhoz korábban használt keretrendszert, javaslatokat tesz annak finomítására. A második lépésben az aktualizált keretrendszer és a feladat alapján generálja a megoldást. A kapott jutalom aztán visszafelé szétterjed, optimalizálva mindkét lépcsőfokot.

Ez egy rendkívül érdekes visszacsatolási hurkot hoz létre. A keretrendszerek folyamatosan arra fejlődnek, hogy magasabb jutalmú megoldási utakat indukáljanak. Idővel automatikusan kialakulnak feladat-kategóriánként specifikus stratégiák – emberi beavatkozás nélkül.

És itt jön a lényeg: az Ornith-1.0 nem nulláról építkezik. Meglévő előtanított modellekre (Gemma 4, Qwen 3.5) épít, és ezeket a saját önmagát javító mechanizmusával fokozza fel. Az eredmény tehát okosabb tanulás, nem pedig nagyobb modellek.

A számok, amik számítanak

A 397 milliárd paraméteres csúcsmodell szép eredményeket ér el a Terminal-Bench és SWE-Bench Verified benchmarkokon. De ami igazán figyelemre méltó, az a hatékonyság.

A 35 milliárd paraméteres verzió jelentősen túlteljesíti a hasonló méretű modelleket, és bizonyos benchmarkokon még a 397 milliárdos alappart is übereli. Ez komoly üzenet azoknak a fejlesztőknek, akik korlátozott erőforrásokkal dolgoznak.

A igazi meglepetés azonban a 9 milliárdos modell. Ez simán fut edge eszközökön is, mégis olyan teljesítményt nyújt, ami háromszor akkora modellek szintjén van. Gondolj bele: privacy-first fejlesztőkörnyezetek, on-premise telepítések, kritikus késleltetési igények – mindezt hozhatod saját infrastruktúrán, külső szolgáltatók nélkül.

Igen, a jutalom-hackelés is felmerült

Ha most azt gondolod, hogy "ha a modell maga írja a tesztjeit, mi akadályozza meg, hogy csaljon" – jó helyen gondolkodsz. Az Ornith csapat is átgondolta ezt, méghozzá többrétegűen.

Először is, világos bizalmi határ van: a környezet és a tesztelési izoláció érinthetetlen, a modell nem éri el. A modell csak a saját belső keretrendszerét fejlesztheti – memóriakezelés, hibakezelés, vezénylési logika.

Másodszor, egy determinisztikus monitor tartja fenn ezt a határt. Ha valaki megpróbálja olvasni a tiltott útvonalakat, módosítani a verifikációs scripteket, vagy nem engedélyezett eszközöket használni, az a trajektória nullás jutalmat kap és kikerül az előny számításból.

Harmadszor, mivel ravasz megkerülés az engedélyezett eszközökön belül is előfordulhat, egy befagyasztott LLM bíróként működik az automatizált ellenőrzés felett. Biztonsági öv a biztonsági övön.

Mit jelent ez a jövőre nézve?

Az Ornith-1.0 nem csak benchmark-üldözés. Olyan AI-rendszerek felé mutat, amelyek nem egyszerűen feladatokat hajtanak végre, hanem saját problémamegoldó keretrendszereket fejlesztenek.

A fejlesztők számára ez azt jelenti, hogy az AI asszisztenseid nem csak megoldásokat javasolnak majd, hanem segítenek megérteni a tesztelési és validációs filozófiákat is. Olyan modellek jönnek, amelyek a kódbázisod specifikus kihívásaihoz igazítják a stratégiájukat, nem pedig egy ömlesztett, univerzális logikát alkalmaznak.

És ami a demokratizálódást illeti: ha egy 9 milliárdos modell határ前端 szintű teljesítményt nyújt bizonyos feladatokon, az azt jelenti, hogy a startupok és az egyéni fejlesztők is hozzáférhetnek komoly AI segítséghez, nagyvállalati költségvetés nélkül. Saját infrastruktúrán, adatvédelem megőrzése mellett.

Az irány, amit érdemes figyelni

Az Ornith-1.0 az autonómabb AI felé vezető lépés – modellek felé, amelyek képesek önmagukat fejleszteni emberi beavatkozás nélkül. Ez nem jelenti azt, hogy az emberek feleslegessé válnak. Inkább arról van szó, hogy arra koncentrálhatunk, mit akarunk elérni, ahelyett hogy a hogyant irányítanánk.

Akár izgat, akár óvatosságra int ez a fejlődés, az Ornith-1.0 mindenképpen figyelmet érdemel. Nem egyszerűen egy újabb benchmark-győztes – hanem egy pillantás arra, hogyan tanulhatnak és fejlődhetnek a jövő AI-rendszerei.

Te mit gondolsz erről az irányról? Írd meg kommentben – kíváncsi vagyok, hogyan dolgozza fel a fejlesztői közösség ezeket a változásokat.

Ha szeretnéd kipróbálni, mire képes az AI-asszisztált fejlesztés a saját projektjeiden, nézd meg a NameOcean Vibe Hosting megoldásait – ahol modern AI-eszközök találkoznak megbízható infrastruktúrával. A következő áttörés lehet, hogy csak egy deploy távolságra van.