ตามการติดตามของ Beating ทีม AI DeepReinforce ที่ก่อตั้งโดย Li Jiwei นักวิชาการด้าน NLP ชื่อดัง ได้เปิดเผยโมเดล Ornith-1.0 สี่รุ่นที่เน้นการเขียนโปรแกรมอัจฉริยะ โดยทั้งหมดเผยแพร่ภายใต้สัญญาอนุญาต MIT โมเดล Ornith-1.0 ได้รับการฝึกฝนบนพื้นฐานของ Gemma 4 และ Qwen 3.5 ครอบคลุมทั้งสถาปัตยกรรม Dense และ MoE ในการทดสอบการเขียนโปรแกรมอัจฉริยะ Terminal-Bench 2.1 (Claude Code) โมเดลเรือธง Ornith-1.0-397B MoE ทำคะแนนได้ 78.2 แซงหน้าโมเดลปิด Claude Opus 4.7 ที่ได้ 69.7
หัวใจสำคัญของ Ornith-1.0 คือการทำ Reinforcement Learning ร่วมกันระหว่างโครงสร้างพื้นฐานของสภาพแวดล้อมการทำงานของเอเจนต์และโมเดลกลยุทธ์ที่รับผิดชอบการเขียนโค้ด แตกต่างจากวิธีการใช้สภาพแวดล้อมการพัฒนาแบบตายตัวแบบดั้งเดิม โมเดลจะออกแบบและอัปเดตโครงสร้างพื้นฐานด้วยตนเองตามภารกิจปัจจุบัน (เช่น การบันทึกหน่วยความจำแบบกำหนดเองและตรรกะการลองใหม่เมื่อเกิดข้อผิดพลาด) จากนั้นจึงสร้างโค้ดตามสภาพแวดล้อมใหม่ที่ทำงานอยู่ สัญญาณรางวัลจาก Reinforcement Learning จะถูกส่งกลับและปรับปรุงทั้งสองขั้นตอนนี้พร้อมกัน
เนื่องจากโมเดลมีแนวโน้มที่จะโกงรางวัล (Reward Hacking) ผ่านการอ่านไฟล์ทดสอบที่ซ่อนอยู่หรือแก้ไขสคริปต์ทดสอบระหว่างการพัฒนาโครงสร้างพื้นฐานด้วยตนเอง ทีมวิจัยจึงได้ติดตั้งแนวป้องกันสามชั้น: นอกจากการล็อกเครื่องมือภายนอกและขอบเขตการสอบในระดับ Sandbox ทางกายภาพแล้ว ระบบยังใช้ตัวตรวจจับแบบกำหนดตายตัวเพื่อสกัดกั้นการอ่านข้อมูลที่ไม่ได้รับอนุญาต พร้อมทั้งนำโมเดลขนาดใหญ่ของบุคคลที่สามที่ถูกแช่แข็งมาใช้เป็นผู้ตัดสินคอยตรวจสอบ โดยมีสิทธิ์ยับยั้งวิธีแก้ปัญหาที่ถูกต้องตามกฎเกณฑ์แต่มีเจตนาหลีกเลี่ยง
ข้อมูลการประเมินแสดงให้เห็นว่าโมเดลขนาดเล็กถึงกลางมีความสามารถเหนือระดับ ภายใต้สภาพแวดล้อมการทดสอบ Claude Code เดียวกัน โมเดล MoE ขนาด 35B อย่าง Ornith-1.0-35B MoE ทำคะแนนได้ 62.8 แซงหน้าโมเดลพารามิเตอร์ใหญ่ 397B อย่าง Qwen 3.5-397B (48.6) และ Qwen 3.6-35B (49.2) โมเดล Ornith-1.0-9B Dense ที่ออกแบบมาสำหรับอุปกรณ์ปลายทางก็ทำคะแนนได้ 69.4 ในการทดสอบ SWE-Bench Verified แซงหน้าโมเดลขนาด 31B อย่าง Gemma 4-31B (52.0)
