Чёрная пятница: пополните баланс и получите в 2 раза больше средств, до $50 бесплатно ($25 → $50, $50 → $100). Используйте их на что угодно: домены, хостинг, почту. Код: BLACKFRIDAY2026 Получить x2 кредита →
Ornith-1.0: когда ИИ научился собирать себя сам

Ornith-1.0: когда ИИ научился собирать себя сам

Июн 30, 2026 ai development llms machine learning agentic ai coding benchmarks open source ai reinforcement learning developer tools ai assistants

Если вы следите за миром AI-кодинга, то наверняка заметили повторяющуюся картину: модели становятся больше, параметров всё больше, а бенчмарки множатся как грибы после дождя. Но иногда появляется что-то, что действительно переворачивает разговор. Именно это делает Ornith-1.0 — и поводов для этого предостаточно.

Самостоятельное обучение вместо стандартного подхода

Классическое обучение с подкреплением для задач написания кода опирается на созданные человеком каркасы — тестовые фреймворки, критерии успеха, всё то, что направляет модель к лучшим решениям. Работает? Работает. Но это ещё и узкое место. Всё упирается в то, насколько умный каркас смогли придумать люди.

Ornith-1.0 предлагает принципиально другой подход. Каркас здесь — не фиксированная конструкция, придуманная инженерами, а объект для обучения. Модель сама генерирует и решения, и задачи-тесты, которые эти решения оценивают. Это не эволюция — это смена парадигмы.

Если совсем упростить: традиционное обучение с подкреплением похоже на то, как если бы вы учились писать код по тестам, которые кто-то другой составил. Ornith-1.0 — это когда вы учитесь писать код и одновременно понимаете саму философию тестирования. Модель не просто решает задачи — она учится выстраивать подход к их решению.

Есть идея? Найдите для неё идеальный домен

Наш AI-генератор доменных имён предлагает свободные имена в сотнях зон. Бесплатные SSL, DNS и защита Whois включены.

Техническая магия: как это устроено

Секрет в двухэтапном процессе, который повторяется на протяжении всего обучения. Сначала модель, учитывая задачу и предыдущий каркас для неё, предлагает улучшения этого каркаса. Затем, уже на основе усовершенствованного каркаса и описания задачи, генерирует решение. Награда за это решение распространяется назад и оптимизирует оба этапа.

Получается интереснейший замкнутый цикл. Каркасы постоянно эволюционируют в сторону версий, которые приводят к более высоким наградам. Постепенно автоматически возникают стратегии для разных категорий задач — без ручного проектирования тестовых систем. Модель словно сама открывает лучшие практики для разных типов программистских проблем.

И вот что ещё круто: Ornith-1.0 построен на базе существующих предобученных моделей вроде Gemma 4 и Qwen 3.5, а затем «прокачан» этим механизмом самосовершенствования. Это означает, что выигрыш в эффективности получается за счёт более умного обучения, а не просто за счёт дополнительных параметров.

Цифры, которые говорят сами за себя

Поговорим о результатах, потому что они действительно впечатляют. Флагманская 397B-модель показывает отличные результаты на стандартных бенчмарках вроде Terminal-Bench и SWE-Bench Verified. Но меня зацепило не это.

Версия с 35 миллиардами параметров значительно превосходит модели аналогичного размера и даже обходит 397B-версию базовой модели на отдельных тестах. Для разработчиков с ограниченными ресурсами это настоящий прорыв.

А настоящая жемчужина — 9B-модель, которая запускается прямо на периферийных устройствах. Она выдаёт результаты, сопоставимые с моделями втрое больше. Это огромные возможности для on-premise развёртывания, для проектов с повышенными требованиями к приватности и для сценариев, где задержка критична.

Проблема «накрутки» метрик: как её решают

Предвижу скептиков: если модель сама пишет свои тесты, разве она не может мухлевать? Подсовывать проверки, которые пропускают что угодно?

Команда Ornith продумала защиту на нескольких уровнях. Во-первых, есть чёткая граница доверия: среда выполнения и изоляция тестов остаются неизменными и недоступны для модели. Модель развивает только свой внутренний каркас — память, обработку ошибок, логику оркестрации.

Во-вторых, детерминированный монитор следит за соблюдением этой границы и блокирует любые попытки прочитать закрытые пути, изменить скрипты верификации или вызвать действия за пределами разрешённого набора инструментов. Траектории с нарушениями получают нулевую награду и не участвуют в расчёте преимущества.

В-третьих, поскольку изощрённое жульничество возможно и внутри разрешённых инструментов, замороженный LLM-судья выступает как дополнительный фильтр поверх автоматического верификатора. Это подход «ремень и подтяжки», признающий, что AI-системы могут проявлять креативность в способах обмана.

Что это значит для будущего AI-ассистентов

Вот где Ornith-1.0 по-настоящему интересен, вне зависимости от бенчмарков. Мы видим рождение AI-систем, которые не просто выполняют задачи — они создают собственные фреймворки для решения проблем.

Для разработчиков это глубокие последствия. Представьте AI-помощника, который не просто предлагает решения, а помогает понять разные подходы к тестированию и валидации. Модели, способные адаптировать стратегии под специфику конкретной кодовой базы вместо применения универсального шаблона.

Это также демократизирует доступ к мощным AI-возможностям. Тот факт, что 9B-модель достигает уровня передовых решений на определённых задачах, означает, что стартапам и отдельным разработчикам больше не нужны корпоративные бюджеты для серьёзной AI-помощи. Можно запускать на собственной инфраструктуре, сохраняя приватность данных и при этом получая результаты на уровне технологических лидеров.

Широкая картина: путь к более автономному AI

Ornith-1.0 — это шаг к более автономным AI-системам. К моделям, которые улучшают себя без постоянного вмешательства человека в процесс обучения. Это не означает, что люди становятся ненужными. Напротив — мы можем сосредоточиться на том, чего хотим достичь, вместо того чтобы микроменеджерить каждый шаг AI.

Для любителей vibe coding — тех, кто видит в AI творческого партнёра, а не просто инструмент — это серьёзный рывок вперёд. Мы движемся от AI, который отвечает на промпты, к AI, который активно участвует в процессе разработки, привнося собственные архитектурные идеи.

Волнует ли вас всё это или настораживает — Ornith-1.0 заслуживает внимания. Это не просто ещё один победитель бенчмарков. Это взгляд на то, как AI-системы могут учиться и совершенствоваться в будущем. И это будущее может оказаться ближе, чем кажется.

Как вы относитесь к самостоятельно обучающемуся AI? Это правильное направление для индустрии, или есть опасения, которые стоит обсудить более серьёзно? Пишите в комментариях — интересно, как сообщество оценивает эти изменения.


Хотите попробовать AI-assisted разработку на практике? Обратите внимание на Vibe Hosting от NameOcean — где передовые AI-инструменты встречают надёжную инфраструктуру. Ваш следующий прорыв может быть на расстоянии одного деплоя.

Есть идея? Найдите для неё идеальный домен

Наш AI-генератор доменных имён предлагает свободные имена в сотнях зон. Бесплатные SSL, DNS и защита Whois включены.

Читать на других языках:

BG CS DA DE EL EN ES FI FR HU IT NB NL PL PT RO SV TR UZ ZH-HANS