مدل متن‌باز Ornith-1.5-122B رونمایی شد؛ تحولی در کدنویسی خودکار و ایجنت‌های هوشمند

تیم Ornith از مدل وزن‌باز Ornith-1.5-122B رونمایی کرد؛ مدلی با معماری ترکیب متخصصان (MoE) که به‌طور ویژه برای ایجنت‌های کدنویسی، اجرای دستورها در محیط ترمینال و استفاده چندمرحل‌های از ابزارها طراحی شده است. توسعه‌دهندگان این مدل مدعی ثبت امتیاز ۸۴٫۵ در بنچمارک SWE-bench Verified، امتیاز ۷۶٫۹ در SWE-bench Pro تحت پیکربندی استاندارد «بدون دستکاری» (no-hack) و امتیاز ۸۱٫۲ در بنچمارک Terminal-Bench 2.1 شده‌اند. علاوهبر این، سازندگان ادعا می‌کنند نسخه‌ای کوانتایز‌شده از این مدل روی یک پردازنده گرافیکی ۸۰ گیگابایتی انویدیا نیز قابل اجرا است.

اگر ارزیابی‌های مستقل نیز بتوانند این نتایج درخشان را بازآفرینی و تأیید کنند، این عرضه می‌تواند جایگزینی بومی و محلی برای فرایندهای توسعه نرم‌افزار در اختیار تیم‌ها بگذارد؛ تیم‌هایی که درحال حاضر کاملاً به مدل‌های میزبانیشده در بسترهای ابری متکی هستند. بااینحال، ادعای اجرای مدل روی یک پردازنده گرافیکی نیازمند توضیح و بررسی دقیق‌تر است؛ زیرا کوچک‌ترین فایل GGUF ارائه‌شده به‌تنهایی ۷۵٫۸ گیگابایت حجم دارد و این مقدار بدون احتساب بار محاسباتی زمان اجرا و حافظه موردنیاز برای طول کانتکست محاسبه شده است.

مخزن فایل‌های GGUF این مدل تاکنون بیش از ۸۵۰ هزار بار دانلود را به ثبت رسانده است. البته پلتفرم Hugging Face تمام درخواست‌های دانلود فایل از جمله درخواست‌های تکراری و خودکار را شمارش می‌کند، بنابراین این رقم لزوماً نشاندهنده تعداد کاربران یکتا یا استقرار واقعی آن در محیط‌های عملیاتی نخواهد بود.

نگاهی کلی به مشخصات و قابلیت‌های مدل

مدل‌های مبتنی بر معماری ترکیب متخصصان (MoE) هر توکن را تنها از میان زیرمجموع‌های از شبکه‌های متخصص عبور می‌دهند؛ رویکردی که حجم محاسبات را در مقایسه با مدل‌های متراکم هماندازه به‌شدت کاهش می‌دهد. بااینوجود، وزن‌های تمام متخصصان همچنان باید در حافظه ذخیره شوند و سازندگان هنوز تعداد پارامترهای فعال به ازای هر توکن را به‌طور دقیق اعلام نکرده‌اند. فقدان این آمار برآورد دقیق توان عملیاتی و سرعت پاسخدهی مدل را صرفاً بر اساس اندازه کل ۱۲۲ میلیارد پارامتری آن دشوار می‌سازد.

پنجره کانتکست بومی ۲۶۲ هزار توکنی این مدل با حالت تقریبی ۱ میلیون توکنی مبتنی بر تکنیک YaRN تفاوت بنیادین دارد. روش YaRN مقیاسبندی جایگاهی مدل را به فراتر از پنجره کانتکست اصلی گسترش می‌دهد؛ موضوعی که اگرچه دامنه پردازش را بهمیزان چشمگیری ارتقا می‌بخشد، اما ممکن است کیفیت خروجی و میزان مصرف حافظه را تحت تأثیر قرار دهد. به همین دلیل، سنجش دقت مدل در کانتکست‌های طولانی به آزمایش‌های جداگانه متناسب با حجم داده‌های هر پروژه نیاز دارد.

وزن‌های متنوع برای سرورها، رایانه‌های شخصی و مک

مخزن رسمی پروژه به مجوز متن‌باز MIT اشاره دارد و فرمت‌های متنوعی از وزن‌های مدل را برای بسترهای مختلف استنتاج مهیا کرده است:

• BF16: این نسخه با حجم تقریبی ۲۴۹ گیگابایت عرضه شده است و برای اجرا به چندین کارت گرافیک پرچمدار یا حافظه یکپارچه بسیار بالا نیاز دارد.
• FP8 و NVFP4: نسخه‌هایی با دقت محاسباتی پایین‌تر برای شتابدهنده‌ها و تراشه‌های سازگار هوش مصنوعی.
• GGUF: نسخه‌های کوانتایز‌شده سازگار با فریمورک llama.cpp که از فرمت Q4_K_M با حجم ۷۵٫۸ گیگابایت تا فرمت Q8_0 با حجم ۱۳۳ گیگابایت را پوشش می‌دهند.
• MLX: ساختارهای بهینهسازیشده ۴ بیتی و ۸ بیتی ویژه تراشه‌های اختصاصی Apple Silicon در سیستم‌های مک.
• Mobile: نسخه‌ای با کوانتایزاسیون جداگانه تحت عنوان Ornith-1.5-122B-Mobile که برای دستگاه‌های دارای محدودیت سختافزاری طراحی شده است.

تیم‌هایی که قصد دارند نسخه‌های اشتقاقی از این مدل بسازند یا آن را بازنشر کنند، باید به‌دقت چکنقاط (Checkpoints) بالادستی، شرایط مجوزها و الزامات استناددهی را بررسی کنند. در توضیحات انتشار پروژه قید شده که آموزش‌های تکمیلی روی مدل‌های Qwen3.5 و Gemma4 انجام گرفته و ساختار کلی این مدل ۱۲۲ میلیارد پارامتری بر پایه معماری سبک Qwen3.5 بنا شده است.