公众号集体开吹那天：这个会“自己出题自己练”的开源AI，凭什么点燃中文社区
如果你这两天刷公众号、知乎或者技术群，大概率见过同一只“鸟”。
它叫 Ornith，来自 DeepReinforce 团队。8 月 19 日，Ornith-1.5 系列开源模型发布；第二天，科技媒体就打出“Opus 4.8 级性能”“量化版能在 iPhone 17 上跑”的标题。紧接着，CSDN、知乎、短视频平台一起涌上来：有人拿 16G 显存的 4080 实测，有人用 Mac Mini 折腾本地部署，还有人把它接进终端里的编程助手，边跑边直播。
奇怪的是，真正让评论区炸锅的，并不是那些跑分数字。
而是发布说明里的一句话：这个模型，开始自己给自己出题了。
一、先说明白：它到底是个啥？
抛开那些术语，你可以把 Ornith-1.5 理解成一个专门练“干编程活”的 AI 学徒。
它不是那种你问一句“帮我写个请假条”、它答一句的聊天机器人。它更像一个能自己打开电脑、翻代码、跑测试、发现报错再回头改的“数字打工人”。你把一个仓库丢给它，说“这个 bug 你查一下”，它会自己拆步骤、自己找文件、自己验证。
而“35B-A3B”这串看起来像密码的东西，其实可以翻译成一句人话：
这个模型脑子里一共装了 350 亿个“知识点”，但每次干活只叫醒其中 30 亿个。
就像一家大公司，不是每次开会都全员到齐，而是哪个项目就喊哪几个部门的人来。人还是那么多人，但每次开会的成本，只有十分之一。
这就是它能塞进普通显卡的原因。
二、它最出圈的本事：自己出题，自己批改，自己变强
我们上学时怎么变强的？老师出题、自己刷题、对答案、改错，再来一轮。
过去训练 AI，基本也是这个路子，只不过“出题老师”是人。工程师们手工整理几万道题、写好评分脚本、设计好流程，模型在这些题目上反复练。问题是：题库是死的，模型练到一定程度，就没题可做了。
Ornith-1.5 干的这件事，用大白话说就是：把出题的老师也换成了 AI 自己。
它每一轮训练分三步走：
第一步，看一眼当前的代码环境，然后自己编一道“比我目前水平再难一点点”的题；
第二步，自己搭一套“怎么解这道题”的流程，包括用什么工具、先干什么后干什么、怎么算过关；
第三步，自己上手解，解完自己打分，把经验吃回去。
更妙的是它挑题的胃口：太简单的不要，完全不会的也不要，专挑那种“踮踮脚刚好够得着”的题。官方给出的目标成功率大概在两成左右，也就是十道题能做出两道的那种难度——既有挑战，又不至于全军覆没。
而且它还防着 AI 耍小聪明。评分系统里专门有一道“防作弊”关卡，防止模型靠钻空子、抄答案、改测试用例来骗高分。
说白了，这套机制让 AI 从“刷别人给的题”，变成了“自己开补习班、自己当老师、自己当学生”。
有科技媒体在标题里写得很形象：AI 自己出题自己练，两个月涨了 11%。
三、数字到底有多能打？
光讲道理不过瘾，我们看点实的。
先看最能体现“真干活”能力的 DeepSWE 测试——这个测试模拟的是真实软件开发场景，难度不低。
Ornith-1.5-35B-A3B 拿了 22 分。它的上一代 Ornith-1.0-35B，是 0 分。同规模的 Qwen3.6-35B，也是 0 分。
从 0 到 22，这个跨度比“85 分进步到 90 分”震撼得多。它说明模型不是把旧题型刷得更熟，而是真的长出了新能力。
再看几组普通人更容易感知的对比：
在 SWE-bench Verified（一个被业界当作“修真实 bug”标准的测试）上，它拿到 79 分，上一代是 75.6，同规模对手是 73.4。
在 Terminal-Bench 2.1（考验在终端里连续操作完成任务）上，它是 67.8 分，上一代 64.2，对手 52.5。
在 NL2Repo（一句话生成一个完整项目仓库）上，它是 46.2 分，上一代 34.6，对手 29.4。
还有一个细节挺有意思：这个总参数 350 亿的“大块头”，把 Gemma-4-31B、Muse-Glimmer-30B 这类同量级的“满血型”选手，在智能体编程这项上甩开了明显差距。它每次只动用 30 亿参数，却能打赢一堆全员上阵的对手。
再看旗舰版本。397B 的 Ornith-1.5 在 Terminal-Bench 2.1 拿到 86.1，DeepSWE 拿到 56，两项都和 Claude Opus 4.8 基本打平。这也正是那批“比肩闭源顶流”标题的由来。
当然，咱也得说句公道话：这些分数都是团队自己测的，方法和参数都写在说明里，但终究不是第三方机构盲测。真要拿它上生产，还是得拿自己的代码库试一试。这一点，社区里不少实测帖也提醒过。
四、为什么“自我进化”这四个字，比分数更能点燃社区？
这才是这次刷屏最值得琢磨的地方。
你想想，一个模型跑分高，普通人看了是什么反应？“哦，又一个榜单第一。”划走。
但“AI 自己出题、自己变强”，普通人的反应是：“等等，那它会不会越跑越离谱？”“这东西是不是有点科幻了？”“那以后还需要人吗？”
分数只打动工程师，故事才打动所有人。
而且这个故事特别适合中文互联网的传播土壤：
它有一个极简的比喻——AI 自己当老师；有一个反常识的钩子——上一代 0 分，这一代 22 分；有一个能落地的抓手——一台普通电脑、一块 24G 显卡就能跑；还有一个足够大的想象空间——如果这套“自己练自己”的循环能一直转下去，天花板在哪？
于是你看到了一条很典型的传播路径：
先是技术圈在 GitHub 和模型社区里围观，讨论训练方法；接着 CSDN 上出现大量“16G 显存实测”“Mac Mini 部署”“Ollama 一把梭”的保姆帖；然后知乎抛出“这达到 Opus 4.8 级性能意味着什么”的问题；最后，公众号和短视频把它包装成“开源即王炸”“会自我进化的大模型”，彻底推到大众面前。
开源模型的传播，正在从“发布—跑分—讨论”三步走，变成“发布—讲一个能被复述的故事—全民实测”。
Ornith 这次踩中的，就是后者。
五、普通人想上手，门槛高不高？
这可能是最实在的一段。
第一档，成本最低：Ollama 或 LM Studio。装上软件，搜模型名，点下载，等它拉完，就能聊。仓库里直接提供了从 Q4 到 Q8 的多个量化版本，文件大小从 20 多 G 到 37G 不等。选哪个？一句话：显卡 24G，闭眼选 Q4；显存更多，往上加；只想试试水，Q4 完全够用。
第二档，稍微折腾：llama.cpp。命令行起一个本地服务，然后让各种编程助手连过来。社区里已经有人把它接进终端里的 AI 编程工具，让它在自己的项目里改代码。
第三档，给团队用：走 vLLM 或 SGLang。这是正经部署的路线，官方建议用两张 80G 显卡起步，好给 26 万字的超长上下文留出余量。
顺便说个体积上的惊喜：它还支持把 26 万字上下文再往上扩，理论上能顶到百万字级别，等于把一整个中型项目连注释带文档全塞进去，让它慢慢读。
另外，仓库里除了模型本体，还单独放了一个视觉模块文件——这意味着它不只是“看代码”，还能“看图”，截图、界面稿、报错画面都能读。这对做设计还原、看图表找问题的场景，挺实用。
那到底谁适合玩？
程序员和独立开发者，收益最大：日常查 bug、写测试、重构小模块，接进编辑器就是半个不领工资的助手。
技术爱好者和折腾党：这是眼下最能讲故事的本地模型之一，跑起来发个朋友圈，评论区必然热闹。
学生党：拿它读开源项目源码、解释陌生代码，比翻文档快得多。
普通办公族：说实话，暂时不用急着上。这类模型的长处是“动手改代码”，不是“帮你写周报”。想日常用 AI 办公，网页版产品更省心。
至于手机端，官方另外放了一个 9B 的量化版本，能在 iPhone 17 和安卓旗舰上跑。不过别抱太高期待——那是“随身带个能聊技术的小助手”，不是“揣着个满血程序员”。
结语：这次刷屏，真正被改变的是什么？
回头看，Ornith 这次火得有点“不讲武德”。
它没有靠一个炫酷的产品界面，没有靠一场发布会，甚至没有靠一个能碾压所有对手的分数。它靠的是一个叙事：AI 开始自己给自己出题了。
这个叙事未必百分之百成立——毕竟“自己出题”仍然要在人搭好的环境和规则里进行，离科幻电影里那种“自己决定要变多强”还差得远。但它足够新，也足够让人心里一动。
更有意思的是它背后那条路：一个开源模型，靠一份写得清清楚楚的技术说明、几组对比数据、一堆能直接下载的量化文件，就让成千上万人愿意花一个周末去折腾自己的显卡。
这在几年前，是不可想象的。
那么问题来了：如果 AI 真的能自己出题、自己刷题、自己变强，你觉得它下一步会先抢走哪类工作——是写重复代码的程序员，还是那些“照着流程办事”的岗位？
评论区聊聊，我挺想听听你的判断。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
