Was ist Ornith-1.5-122B?
Ornith-1.5-122B ist das Mitglied der 1.5-Familie von Ornith mit 122 Milliarden Parametern. Die Gewichte erschienen am 16. Oktober 2026 auf Hugging Face, Builds in FP8, NVFP4, GGUF und MLX folgten am 20. Oktober, zwei Monate nach den Größen 9B, 35B und 397B. Die Konfiguration nutzt die Mixture-of-Experts-Architektur von Qwen3.5 (256 Experten, 8 pro Token geroutet, 48 Schichten mit einer Mischung aus linearer und voller Attention); die Zahl der aktiven Parameter veröffentlicht Ornith nicht. Das Training baut auf Ornith-1.0 auf, das selbst auf Qwen3.5 und Gemma 4 beruht: Das Modell schlägt neue Trainingsaufgaben vor, baut das Agenten-Setup, um jede davon anzugehen, und lernt per Reinforcement Learning aus den Ergebnissen.
Ornith meldet 84,5 % auf SWE-bench Verified, 76,9 % auf SWE-bench Pro und 81,2 % auf Terminal-Bench 2.1, bewertet mit nach eigenen Worten Schutzmaßnahmen gegen Reward Hacking, und beansprucht auf den meisten Coding- und Agenten-Tests einen Vorsprung vor Qwen3.8-Flash-Next und Nemotron 3.5 Super VL. Es denkt vor der Antwort nach, nimmt Text und Bilder an, unterstützt Tool Calling und einen Kontext von 262.144 Tokens und läuft auf vLLM und SGLang. Laut Karte läuft es auf einer einzelnen 80-GB-GPU, aber nur die 4-Bit-Builds (etwa 76 bis 78 GB) kommen dem nahe; FP8 hat 133 GB, BF16 250 GB.
Die Gewichte stehen unter der MIT-Lizenz.
Lohnt sich Ornith-1.5-122B?
Ornith-1.5-122B liefert die auffälligsten Zahlen seiner Gewichtsklasse, und die Aussage, die für Käufer am meisten zählt, ist schwächer, als sie aussieht. Die Modellkarte sagt, es laufe auf einer einzelnen 80-GB-GPU, doch der BF16-Checkpoint ist 250 GB groß und der FP8-Build 133 GB. Nur die 4-Bit-Releases, NVFP4 mit 77,7 GB und das Q4_K_M-GGUF mit 75,8 GB, kommen in die Nähe einer 80-GB-Karte, und sie lassen wenig Platz für den Cache, den ein Kontext von 262.144 Tokens braucht.
In Orniths eigener Tabelle erreicht es 76,9 % auf SWE-bench Pro gegenüber 43,9 % für Qwen3.8-Flash-Next, ein Abstand von 33 Punkten, der eine unabhängige Bestätigung verlangt. Anderswo ist es knapper: Qwen3.8-Flash-Next führt auf Terminal-Bench 2.1 mit 83,4 % zu 81,2 %, und auf SWE-bench Verified liegt der Vorsprung unter zwei Punkten. Die Einstellung "no-hack" bedeutet, dass die Modelle vor Reward Hacking gewarnt wurden und jede Lösung, die es trotzdem tat, als falsch galt. Das ist mehr Sorgfalt, als die meisten Labore zeigen, aber Ornith hat die Regeln geschrieben, sie angewandt und bei zwei Benchmarks Claude Opus als Bewerter eingesetzt.
Die Trainingsmethode ist der Grund, das Labor im Blick zu behalten. In jedem Zyklus schlägt das Modell schwierigere Aufgaben vor, die nach Gültigkeit, Neuheit und Schwierigkeit rund um eine Ziel-Erfolgsquote von 20 % bewertet werden. Dann baut es das Gerüst, um sie anzugehen, und lernt aus den Versuchen mit GRPO, einer Methode des Reinforcement Learning. Der Blog nennt im Reward einen Term für Widerstand gegen Hacking, sagt aber nie, wie er berechnet wird. Das zählt bei einer Schleife, die ihre eigenen Prüfungen schreibt.
Für alle, die schon auf Qwen setzen, ist der Umstieg leicht. Die Architektur ist die von Qwen3.5, die Serve-Befehle nutzen Qwens Tool- und Reasoning-Parser, und vLLM 0.19.1+, SGLang 0.5.9+ und Ollama funktionieren alle. Ornith nennt weder Personen noch Standort oder Finanzierung, doch sein 35B-GGUF kam im vergangenen Monat auf etwa 3,9 Millionen Downloads auf Hugging Face. Die Familie hat also echte Nutzer, auch wenn das Labor anonym bleibt. Der Blogbeitrag vom August, der die Methode erklärt, ist älter als das 122B und behandelt es nicht.
Wo es sich lohnt
Ein ML-Platform-Engineer mit einer 80-GB-GPU
Ein Coding-Modell auf Qwen3.5-Basis ersetzen, ohne den Serving-Stack umzuschreiben
Tausche in vLLM oder SGLang den Modellpfad aus und behalte die qwen3-Parser für Reasoning und Tools. In der Praxis heißt das: der 4-Bit-Build und ein Kontext deutlich unter 262K, damit Speicher für den Cache bleibt. Fahre zuerst dein eigenes Regressionsset, denn jeder Wert stammt von Ornith.
Ein Infrastruktur-Team mit einem Knoten aus zwei 80-GB-GPUs
Einen internen Coding-Agenten in FP8- statt in 4-Bit-Qualität betreiben
Der 133 GB große FP8-Checkpoint braucht beide Karten mit Tensor-Parallelismus 2, also doppelt so viel Hardware, wie die Schlagzeile der Karte nahelegt. Prefix Caching im dokumentierten vLLM-Befehl hilft bei wiederkehrendem Repository-Kontext.
Ein Engineering-Chef bei einem regulierten Fintech
Ein agentisches Coding-Modell vor Ort unter einer freizügigen Lizenz betreiben
MIT-Gewichte erlauben kommerzielle Nutzung und Fine-Tuning ohne Verhandlung, und der Code verlässt das Netzwerk nie. Der Preis ist das Lieferantenrisiko: kein namentlich bekanntes Team, kein Supportvertrag und keine eigene API als Rückfallebene.
Bevor du dich festlegst
- Einrichtung
- `ollama run ornith-1.5:122b` lädt 73 bis 77 GB. Für Server brauchen die vLLM- oder SGLang-Befehle der Karte Transformers 5.8.1+, vLLM 0.19.1+ oder SGLang 0.5.9+.
- Integrationen
- OpenAI-kompatible Chat Completions mit Tool Calls und einem separaten Feld reasoning_content; die Karte zeigt Ollama, llama.cpp, Atomic.chat und Hermes Agent. Bildeingaben nutzen die mmproj-Datei im GGUF-Repository.
- Daten und Datenschutz
- Nur selbst gehostet, die Daten bleiben also dort, wo du es betreibst. Es gibt keine eigene API und damit keine Aufbewahrungs- oder Trainingsbedingungen zu prüfen.
- Kosten im großen Maßstab
- Gewichte kostenlos. BF16 hat 250 GB (ein Knoten mit mehreren GPUs), FP8 133 GB (zwei 80-GB-Karten), und NVFP4 (77,7 GB) oder Q4_K_M (75,8 GB) sind die einzigen Builds nahe an einer 80-GB-Karte; für Macs gibt es einen MLX-4-Bit-Build mit 68,7 GB. Ein eigener gehosteter Preis ist nicht veröffentlicht; NanoGPT nennt 0,20 $ Eingabe und 0,80 $ Ausgabe pro Million Tokens, führt das Modell aber als nicht verfügbar.
- Grenzen
- Reasoning ist standardmäßig aktiv, Antworten folgen also auf einen Think-Block. Der Kontext beträgt 262.144 Tokens und lässt sich mit YaRN auf etwa 1M erweitern, auf Kosten der Qualität bei Eingaben normaler Länge.
Was gut ist
- Gemeldet 84,5 % auf SWE-bench Verified, 76,9 % auf Pro
- MIT-Lizenz
- Direkter Ersatz in vLLM- oder SGLang-Stacks für Qwen3.5
- Builds in FP8, NVFP4, GGUF und MLX ab dem Start
Was nicht
- "Eine einzelne 80-GB-GPU" nur in 4 Bit
- Alle Werte selbst gemeldet, nach Regeln, die Ornith festgelegt hat
- Kein namentlich bekanntes Team, keine Finanzierung, keine eigene API
- Liegt auf Terminal-Bench 2.1 hinter Qwen3.8-Flash-Next
Am besten für
Teams, die Coding-Agenten mit offenen Gewichten auf einer einzelnen großen GPU betreiben und eigene Evaluierungen fahren können.
Alternativen zu Ornith-1.5-122B
Ornith-1.5-122B: häufige Fragen
- Lohnt sich Ornith-1.5-122B?
- Auffällige Coding-Werte von einem Labor ohne öffentlich bekannte Namen, und das Versprechen einer einzigen GPU gilt nur in 4 Bit. Wir bewerten es mit 3.6 von 5.
- Was kostet Ornith-1.5-122B?
- Kostenlose offene Gewichte unter MIT. Du zahlst nur für eigene Hardware oder Hosting.
- Welche Nachteile hat Ornith-1.5-122B?
- "Eine einzelne 80-GB-GPU" nur in 4 Bit; Alle Werte selbst gemeldet, nach Regeln, die Ornith festgelegt hat; Kein namentlich bekanntes Team, keine Finanzierung, keine eigene API; Liegt auf Terminal-Bench 2.1 hinter Qwen3.8-Flash-Next.
- Für wen eignet sich Ornith-1.5-122B?
- Teams, die Coding-Agenten mit offenen Gewichten auf einer einzelnen großen GPU betreiben und eigene Evaluierungen fahren können.
- Was kostet Ornith-1.5-122B für ein Team oder im Produktivbetrieb?
- Gewichte kostenlos. BF16 hat 250 GB (ein Knoten mit mehreren GPUs), FP8 133 GB (zwei 80-GB-Karten), und NVFP4 (77,7 GB) oder Q4_K_M (75,8 GB) sind die einzigen Builds nahe an einer 80-GB-Karte; für Macs gibt es einen MLX-4-Bit-Build mit 68,7 GB. Ein eigener gehosteter Preis ist nicht veröffentlicht; NanoGPT nennt 0,20 $ Eingabe und 0,80 $ Ausgabe pro Million Tokens, führt das Modell aber als nicht verfügbar.
- Ist Ornith-1.5-122B sicher für Firmendaten?
- Nur selbst gehostet, die Daten bleiben also dort, wo du es betreibst. Es gibt keine eigene API und damit keine Aufbewahrungs- oder Trainingsbedingungen zu prüfen.
- Was sind die besten Alternativen zu Ornith-1.5-122B?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3.8-Flash-Next, Nemotron 3.5 Super VL und DeepSeek-V4.1-Flash.
Antworten geprüft am 23. Okt. 2026.