Ornith-1.0: โมเดลโค้ดดิ้งโอเพนเวต MIT ที่ "ออกแบบ scaffold ของตัวเองระหว่างเทรน" — 9B รันได้บนการ์ดใบเดียว

ในขณะที่โมเดลโค้ดดิ้งส่วนใหญ่แข่งกันที่ “ความฉลาดของตัวโมเดล” บนโครงเอเจนต์ (agent scaffold) ที่วิศวกรออกแบบไว้ล่วงหน้า — prompt, ลำดับเครื่องมือ, รูปแบบการวนลูป — ทีม DeepReinforce เลือกตั้งคำถามที่ลึกกว่านั้น: แล้วถ้าให้ ตัวโมเดลออกแบบโครงเอเจนต์ของมันเองด้วยล่ะ? ผลลัพธ์คือ Ornith-1.0 ตระกูลโมเดลโค้ดดิ้งโอเพนเวตลิขสิทธิ์ MIT ที่ปล่อยบน Hugging Face เมื่อ 25 มิถุนายน 2026 มาครบสี่ขนาด — 9B Dense, 31B Dense, 35B MoE และเรือธง 397B MoE — post-train ต่อยอดจากฐาน Gemma 4 และ Qwen 3.5

สำหรับนักพัฒนา จุดที่น่าสนใจมีสองชั้น: หนึ่งคือ ตัวเลขเบนช์มาร์ก ที่รุ่นใหญ่เล่นในลีกใกล้เคียงโมเดลปิดระดับท็อป และสองคือ วิธีฝึก ที่อาจเปลี่ยนวิธีคิดเรื่อง “harness” ของเอเจนต์ไปเลย — และทั้งหมดนี้มาพร้อมน้ำหนักเปิดและไฟล์ GGUF/FP8 ให้รันเองได้ตั้งแต่วันแรก

scaffold ที่เรียนรู้ได้ ไม่ใช่ scaffold ที่ตายตัว

หัวใจของ Ornith อยู่ที่การมอง agent harness เป็น “สิ่งที่เรียนรู้ได้” แทนที่จะเป็นโครงคงที่ที่มนุษย์เขียน ในแต่ละก้าวของการเทรนแบบ reinforcement learning ทีมแบ่งออกเป็น สองสเตจ:

1. เสนอ scaffold ใหม่ — โมเดลอ่านโจทย์และ scaffold เดิมของตัวเอง แล้ว “เสนอ scaffold ที่ปรับปรุงแล้ว” ให้เหมาะกับงานตรงหน้า
2. รันแก้โจทย์จริง — โมเดลใช้ scaffold นั้นไปสร้าง solution rollout จริง แล้ว reward จากผลลัพธ์ไหลกลับไปอัปเดตทั้งสองสเตจ

นั่นแปลว่าโมเดลไม่ได้แค่เก่งขึ้นที่ “การเขียนโค้ด” แต่เก่งขึ้นที่ “การออกแบบกระบวนการแก้ปัญหาของตัวเอง” ไปพร้อมกัน — scaffold ที่ให้ reward สูงจะถูกคัดเลือกโดยอัตโนมัติ ไม่ต้องมีวิศวกรมานั่ง tune prompt/flow ทีละงาน แนวคิดนี้สวนทางกับเทรนด์ที่ผ่านมาที่ทุ่มเทไปกับการออกแบบ harness ภายนอก (เช่นสายเครื่องมือใน Claude Code หรือ OpenHands) — Ornith ดันความฉลาดส่วนนั้น เข้าไปอยู่ในน้ำหนักของโมเดลเอง

ตัวเลข: เรือธง 397B เล่นใกล้รุ่นปิดระดับท็อป

บนเบนช์มาร์กที่ DeepReinforce รายงาน ตัวเรือธง Ornith-1.0-397B (MoE) ทำได้:

• SWE-Bench Verified: 82.4
• Terminal-Bench 2.1: 77.5 — แซง Claude Opus 4.7 (70.3) แต่ยังตามหลัง Claude Opus 4.8 (85) และ GLM-5.2-744B (81.0)

ที่สำคัญต่อทีมเล็กคือรุ่นที่รันเองไหว:

• Ornith-1.0-9B (Dense): SWE-Bench Verified 69.4, SWE-Bench Pro 42.9, Terminal-Bench 2.1 43.1, context window 256K — ขนาดราว 19GB ใน bf16 เสิร์ฟได้บน GPU 80GB ใบเดียว
• Ornith-1.0-35B (MoE): Terminal-Bench 2.1 64.2

ทุกรุ่นปล่อยทั้ง FP8 และ GGUF สำหรับการเสิร์ฟแบบ local — รุ่น 9B/35B GGUF จึงเข้าถึงได้สำหรับเครื่องนักพัฒนาทั่วไป ไม่ต้องมีคลัสเตอร์ และที่สำคัญคือ ลิขสิทธิ์ MIT ที่ใช้เชิงพาณิชย์ได้เต็มที่

ต่อยอดจาก Gemma 4 + Qwen 3.5 — เป็น post-training ไม่ใช่ pretraining

จุดที่ควรอ่านให้ขาดคือ Ornith ไม่ได้เทรนใหม่จากศูนย์ แต่เป็น post-training ที่วางทับฐานโอเพนเวตที่มีอยู่แล้ว (Gemma 4 จาก Google และ Qwen 3.5 จาก Alibaba) ความแปลกใหม่จึงอยู่ที่ สูตร RL แบบ self-scaffolding ไม่ใช่สถาปัตยกรรมใหม่ — ซึ่งเป็นทั้งจุดแข็ง (ทำซ้ำได้, ต้นทุนถูกกว่าการ pretrain) และข้อควรระวัง (ความสามารถพื้นฐานยังผูกกับคุณภาพของฐานเดิม)

เช่นเดียวกับโมเดลที่อ้างเบนช์มาร์กสวย ๆ ตัวเลขเหล่านี้ส่วนใหญ่เป็น self-reported — ควรรอการรันซ้ำจากชุมชน (LiveCodeBench, SWE-Bench รุ่นควบคุม) ก่อนปักใจ ข้อดีของโอเพนเวต MIT คือใครก็ตรวจสอบเองได้

มุมมอง AI Curator

Ornith-1.0 น่าสนใจไม่ใช่เพราะเลข SWE-Bench 82.4 (โมเดลปิดทำได้สูงกว่า) แต่เพราะ ไอเดียที่อยู่เบื้องหลัง มันท้าทายสมมติฐานที่วงการเอเจนต์ยึดถือกันมาทั้งปี: ว่า “harness” หรือ scaffold คือสิ่งที่มนุษย์ต้องออกแบบและ tune ด้วยมือ — เป็นงานวิศวกรรมที่แยกจากตัวโมเดล Ornith เดิมพันตรงข้าม ว่า scaffold คือสิ่งที่ โมเดลควรเรียนรู้ที่จะสร้างเอง และถ้าเดิมพันนี้ถูก มันจะกระทบทั้ง ecosystem ของ agent framework (LangGraph, CrewAI, OpenHands ฯลฯ) ที่มูลค่าส่วนหนึ่งคือ “โครง” ที่คนนอกออกแบบให้

สำหรับนักพัฒนาไทยและทีมเล็กใน SEA นี่คือข่าวที่ใช้งานได้จริงสองทาง ทางแรก รุ่น 9B/35B GGUF ลิขสิทธิ์ MIT ที่รันบนการ์ดใบเดียวเปิดประตูให้สร้าง coding agent แบบ on-prem ได้โดยข้อมูลไม่ออกนอกองค์กร — สำคัญมากในยุคที่โมเดลท็อปอย่าง Fable 5/Mythos 5 ถูกล็อกด้วยมาตรการส่งออกของสหรัฐฯ จนผู้ใช้นอกสหรัฐฯ เข้าไม่ถึง ทางที่สอง แม้คุณจะไม่ได้ใช้ Ornith ตรง ๆ แนวคิด self-scaffolding ก็เป็นสัญญาณว่า “การออกแบบ flow ของเอเจนต์ด้วยมือ” อาจมีอายุการใช้งานจำกัด — ทีมที่ลงทุนหนักกับ prompt engineering และ orchestration แบบ hard-code ควรเริ่มคิดว่างานส่วนนี้จะถูกย้ายเข้าไปในตัวโมเดลมากขึ้นเรื่อย ๆ

แต่ก็ต้องไม่เชียร์เกินจริง: นี่คือ โมเดลแรกของแนวทางนี้ ตัวเลขยัง self-reported และ 397B ก็ไม่ใช่อะไรที่ทีมเล็กรันไหว สิ่งที่ควรจับตาคือ จะมีแล็บอิสระยืนยันได้ไหมว่า scaffold ที่โมเดลสร้างเองนั้นดีกว่าที่มนุษย์ออกแบบ บนงานจริงนอกเบนช์มาร์ก — นั่นคือบททดสอบที่แท้จริงของไอเดียนี้

แหล่งข่าว

• deepreinforce-ai/Ornith-1.0-9B — Hugging Face (model card)
• Ornith-1.0 collection — Hugging Face
• Ornith-1.0 — DeepReinforce blog
• DeepReinforce releases Ornith-1.0, an open-source coding model family that learns its own RL scaffolds — MarkTechPost