¿Qué es Ornith-1.5-122B?
Ornith-1.5-122B es el miembro de 122.000 millones de parámetros de la familia 1.5 de Ornith. Sus pesos aparecieron en Hugging Face el 16 de octubre de 2026, y las versiones FP8, NVFP4, GGUF y MLX llegaron el 20 de octubre, dos meses después de los tamaños de 9B, 35B y 397B. Su configuración usa la arquitectura de mezcla de expertos de Qwen3.5 (256 expertos, 8 enrutados por token, 48 capas que combinan atención lineal y completa); Ornith no publica el número de parámetros activos. El entrenamiento amplía Ornith-1.0, a su vez basado en Qwen3.5 y Gemma 4: el modelo propone nuevas tareas de entrenamiento, monta el entorno de agente para intentar cada una y aprende de los resultados mediante aprendizaje por refuerzo.
Ornith indica un 84,5 % en SWE-bench Verified, un 76,9 % en SWE-bench Pro y un 81,2 % en Terminal-Bench 2.1, puntuados con lo que llama salvaguardas contra trampas, y afirma superar a Qwen3.8-Flash-Next y Nemotron 3.5 Super VL en la mayoría de las pruebas de programación y de agentes. Razona antes de responder, acepta texto e imágenes, admite llamadas a herramientas y un contexto de 262.144 tokens, y funciona en vLLM y SGLang. La ficha dice que se sirve en una sola GPU de 80 GB, pero solo las versiones de 4 bits (de unos 76 a 78 GB) se acercan; FP8 ocupa 133 GB y BF16, 250 GB.
Los pesos están bajo la licencia MIT.
¿Merece la pena Ornith-1.5-122B?
Ornith-1.5-122B presenta las cifras más llamativas de su categoría de peso, y la afirmación que más importa a los compradores es más débil de lo que parece. La ficha del modelo dice que se sirve en una sola GPU de 80 GB, pero el checkpoint BF16 ocupa 250 GB y la versión FP8, 133 GB. Solo las versiones de 4 bits, NVFP4 con 77,7 GB y el GGUF Q4_K_M con 75,8 GB, se acercan a una tarjeta de 80 GB, y dejan poco sitio para la caché que necesita un contexto de 262.144 tokens.
En la propia tabla de Ornith saca un 76,9 % en SWE-bench Pro frente al 43,9 % de Qwen3.8-Flash-Next, una diferencia de 33 puntos que pide confirmación independiente. En otras pruebas está más ajustado: Qwen3.8-Flash-Next lidera Terminal-Bench 2.1 con un 83,4 % frente a un 81,2 %, y en SWE-bench Verified el margen es de menos de dos puntos. Su modo "no-hack" significa que se advirtió a los modelos sobre las trampas a la recompensa y que cualquier solución que aun así las hiciera se marcó como incorrecta; es más cuidado del que muestran la mayoría de los laboratorios, pero Ornith escribió las reglas, las aplicó y usó Claude Opus como juez en dos pruebas.
El método de entrenamiento es el motivo para seguir de cerca al laboratorio. En cada ciclo, el modelo propone tareas más difíciles, puntuadas por validez, novedad y dificultad en torno a una tasa de éxito objetivo del 20 %, después monta el andamiaje para intentarlas y aprende de los intentos con GRPO, un método de aprendizaje por refuerzo. El blog menciona un término de resistencia a las trampas en la recompensa, pero nunca dice cómo se calcula, lo que importa en un bucle que escribe sus propios exámenes.
Adoptarlo es fácil para quien ya usa Qwen. La arquitectura es la de Qwen3.5, los comandos de servicio usan los analizadores de herramientas y de razonamiento de Qwen, y vLLM 0.19.1+, SGLang 0.5.9+ y Ollama funcionan. Ornith no publica personas, ubicación ni financiación, pero su GGUF de 35B sumó unos 3,9 millones de descargas en Hugging Face el último mes, así que la familia tiene usuarios reales aunque el laboratorio siga en el anonimato. La entrada del blog de agosto que explica el método es anterior al 122B y no lo trata.
Dónde se gana su sitio
Un ingeniero de plataforma de ML con una GPU de 80 GB
Sustituir un modelo de programación basado en Qwen3.5 sin reescribir la infraestructura de servicio
Cambia la ruta del modelo en vLLM o SGLang y mantén los analizadores qwen3 de razonamiento y de herramientas. En la práctica, eso supone la versión de 4 bits y un contexto muy por debajo de 262K para dejar memoria a la caché; ejecuta antes tu propio conjunto de regresión, ya que todas las puntuaciones son de Ornith.
Un equipo de infraestructura con un nodo de dos GPU de 80 GB
Servir un agente de programación interno con calidad FP8 en lugar de 4 bits
El checkpoint FP8 de 133 GB necesita las dos tarjetas con paralelismo de tensores fijado en 2, lo que duplica el hardware que sugiere el titular de la ficha. La caché de prefijos del comando de vLLM documentado ayuda con el contexto repetido del repositorio.
Un director de ingeniería en una fintech regulada
Ejecutar un modelo de programación con agentes en sus propias instalaciones con una licencia permisiva
Los pesos MIT permiten el uso comercial y el ajuste fino sin negociar, y el código nunca sale de la red. La contrapartida es el riesgo de proveedor: no hay equipo con nombre, contrato de soporte ni API propia a la que recurrir.
Antes de decidirte
- Puesta en marcha
- `ollama run ornith-1.5:122b` descarga de 73 a 77 GB. Para servidores, los comandos de vLLM o SGLang de la ficha necesitan Transformers 5.8.1+, vLLM 0.19.1+ o SGLang 0.5.9+.
- Integraciones
- Chat completions compatibles con OpenAI con llamadas a herramientas y un campo reasoning_content aparte; la ficha muestra Ollama, llama.cpp, Atomic.chat y Hermes Agent. La entrada de imágenes usa el archivo mmproj del repositorio GGUF.
- Datos y privacidad
- Solo autoalojado, así que los datos se quedan donde lo ejecutes. No hay API propia y, por tanto, no hay condiciones de retención ni de entrenamiento que revisar.
- Coste a escala
- Pesos gratuitos. BF16 ocupa 250 GB (un nodo con varias GPU), FP8 133 GB (dos tarjetas de 80 GB), y NVFP4 (77,7 GB) o Q4_K_M (75,8 GB) son las únicas versiones que se acercan a una tarjeta de 80 GB; para Mac hay una versión MLX de 4 bits de 68,7 GB. No hay precio alojado propio publicado; NanoGPT indica 0,20 $ de entrada y 0,80 $ de salida por millón de tokens, pero marca el modelo como no disponible.
- Límites
- El razonamiento está activado por defecto, así que las respuestas van tras un bloque de razonamiento. El contexto es de 262.144 tokens, ampliable a 1M aproximadamente con YaRN a costa de algo de calidad en entradas de longitud normal.
Lo bueno
- 84,5 % declarado en SWE-bench Verified, 76,9 % en Pro
- Licencia MIT
- Sustituto directo en entornos vLLM o SGLang de Qwen3.5
- Versiones FP8, NVFP4, GGUF y MLX desde el lanzamiento
Lo malo
- "Una sola GPU de 80 GB" solo a 4 bits
- Todas las puntuaciones son autodeclaradas, con reglas fijadas por Ornith
- Sin equipo con nombre, financiación conocida ni API propia
- Por detrás de Qwen3.8-Flash-Next en Terminal-Bench 2.1
Ideal para
Equipos que sirven agentes de programación de pesos abiertos en una sola GPU grande y pueden hacer sus propias evaluaciones.
Alternativas a Ornith-1.5-122B
Ornith-1.5-122B: preguntas frecuentes
- ¿Merece la pena Ornith-1.5-122B?
- Puntuaciones de programación llamativas de un laboratorio sin nombres públicos, y una promesa de una sola GPU que solo se cumple a 4 bits. Le damos un 3.6 sobre 5.
- ¿Cuánto cuesta Ornith-1.5-122B?
- Pesos abiertos gratuitos bajo MIT. Solo pagas tu propio hardware o alojamiento.
- ¿Qué inconvenientes tiene Ornith-1.5-122B?
- "Una sola GPU de 80 GB" solo a 4 bits; todas las puntuaciones son autodeclaradas, con reglas fijadas por Ornith; sin equipo con nombre, financiación conocida ni API propia; por detrás de Qwen3.8-Flash-Next en Terminal-Bench 2.1.
- ¿Para quién es Ornith-1.5-122B?
- Equipos que sirven agentes de programación de pesos abiertos en una sola GPU grande y pueden hacer sus propias evaluaciones.
- ¿Cuánto cuesta Ornith-1.5-122B para un equipo o en producción?
- Pesos gratuitos. BF16 ocupa 250 GB (un nodo con varias GPU), FP8 133 GB (dos tarjetas de 80 GB), y NVFP4 (77,7 GB) o Q4_K_M (75,8 GB) son las únicas versiones que se acercan a una tarjeta de 80 GB; para Mac hay una versión MLX de 4 bits de 68,7 GB. No hay precio alojado propio publicado; NanoGPT indica 0,20 $ de entrada y 0,80 $ de salida por millón de tokens, pero marca el modelo como no disponible.
- ¿Es Ornith-1.5-122B seguro para los datos de la empresa?
- Solo autoalojado, así que los datos se quedan donde lo ejecutes. No hay API propia y, por tanto, no hay condiciones de retención ni de entrenamiento que revisar.
- ¿Cuáles son las mejores alternativas a Ornith-1.5-122B?
- Las alternativas más cercanas que hemos analizado son Qwen3.8-Flash-Next, Nemotron 3.5 Super VL y DeepSeek-V4.1-Flash.
Respuestas comprobadas el 23 oct 2026.