Ornith-1.5-122Bとは？
Ornith-1.5-122Bは、Ornithの1.5ファミリーの1,220億パラメータのモデルです。重みは2026年10月16日にHugging Faceに登場し、FP8、NVFP4、GGUF、MLXの各ビルドが10月20日に続きました。9B、35B、397Bのサイズから2か月後のことです。構成はQwen3.5 のMixture-of-Expertsアーキテクチャ（エキスパート256個、トークンごとに8個にルーティング、線形アテンションとフルアテンションを混ぜた48層）を使っており、Ornithはアクティブパラメータ数を公開していません。学習はQwen3.5とGemma 4をベースにしたOrnith-1.0を発展させたもので、モデルが新しい学習課題を提案し、それぞれに挑むためのエージェントの構成を組み、結果から強化学習で学びます。
Ornithは、同社がanti-hackingの安全策と呼ぶ方法で採点し、SWE-bench Verifiedで84.5%、SWE-bench Proで76.9%、Terminal-Bench 2.1で81.2%と報告しており、コーディングとエージェントのテストの大半でQwen3.8-Flash-NextとNemotron 3.5 Super VLを上回ると主張しています。回答の前に推論し、テキストと画像を受け付け、ツール呼び出しと262,144トークンのコンテキストに対応し、vLLMとSGLangで動きます。カードは80 GBのGPU 1枚で提供できるとしていますが、それに近いのは4ビット版（約76〜78 GB）だけで、FP8は133 GB、BF16は250 GBです。
重みはMITライセンスです。
Ornith-1.5-122Bは使う価値があるか？
Ornith-1.5-122Bは同じ重量級で最も目を引く数値を示していますが、買い手にとって最も重要な主張は見た目より弱いものです。モデルカードは80 GBのGPU 1枚で提供できるとしていますが、BF16のチェックポイントは250 GB、FP8版は133 GBです。80 GBのカード1枚に近いのは4ビット版、77.7 GBのNVFP4と75.8 GBのQ4_K_M GGUFだけで、262,144トークンのコンテキストに必要なキャッシュの余地はほとんど残りません。
Ornith自身の表では、SWE-bench Proで76.9%を記録し、Qwen3.8-Flash-Nextは43.9%です。33ポイントの差は独立した確認が必要です。そ れ以外では差は縮まり、Terminal-Bench 2.1ではQwen3.8-Flash-Nextが83.4%対81.2%でリードし、SWE-bench Verifiedでの差は2ポイント未満です。「no-hack」設定では、モデルに報酬ハッキングについて警告し、それでもハッキングした解答は誤りとしました。多くの研究所より丁寧ですが、ルールを書いて適用したのはOrnith自身で、2つのベンチマークではClaude Opusを審査役に使っています。
この研究所に注目すべき理由は学習方法です。各サイクルでモデルはより難しい課題を提案し、それらは成功率20%前後を目標に、妥当性、新規性、難しさで採点されます。そのうえで課題に挑むための土台を組み、強化学習の手法GRPOで挑戦の結果から学びます。ブログは報酬にハッキング耐性の項があるとしていますが、その計算方法は一切述べておらず、自分で試験問題を書くループではこれが重要です。
すでにQwenを使っている人にとって導入は簡単です。アーキテクチャはQwen3.5のもので、提供用のコマンドはQwenのツールと推論のパーサーを使い、vLLM 0.19.1以降、SGLang 0.5.9以降、Ollamaのいずれでも動きます。Ornithは人員、所在地、資金を一切公開していませんが、35BのGGUFは過去1か月でHugging Faceから約390万（3.9 million）回ダウンロードされており、研究所が匿名のままでもファミリーには実際の利用者がいます。手法を説明した8月のブログ記事は122Bより前のもので、このモデルは扱っていません。
真価を発揮する場面
80 GBのGPUを1枚持つMLプラットフォームエ ンジニア
提供の仕組みを書き直さずにQwen3.5ベースのコーディングモデルを置き換える
vLLMかSGLangでモデルのパスを差し替え、qwen3の推論とツールのパーサーはそのまま使います。実際には4ビット版を使い、キャッシュ用のメモリを残すためにコンテキストを262Kよりかなり小さくすることになります。スコアはすべてOrnithのものなので、まず自前の回帰テストを実行してください。
80 GBのGPU 2枚のノードを運用するインフラチーム
4ビットではなくFP8の品質で社内のコーディングエージェントを提供する
133 GBのFP8チェックポイントには、テンソル並列を2に設定して両方のカードが必要で、カードの見出しが示すハードウェアの2倍になります。記載されたvLLMのコマンドにあるプレフィックスキャッシュは、繰り返されるリポジトリのコンテキストに役立ちます。
規制下にあるフィンテック企業のエンジニアリング責任者
寛容なライセンスのもとで、エージェント型のコーディングモデルをオンプレミスで動かす
MITの重みなら交渉なしで商用利用とファインチューニングができ、コードがネットワークの外に出ることはありません。引き換えとなるのは供給元のリスクで、頼れるチ ーム名もサポート契約も公式のAPIもありません。
導入前に確認すること
- 導入
- `ollama run ornith-1.5:122b`で73〜77 GBを取得します。サーバーでは、カードのvLLMまたはSGLangのコマンドにTransformers 5.8.1以降、vLLM 0.19.1以降、SGLang 0.5.9以降が必要です。
- 連携
- ツール呼び出しと独立したreasoning_contentフィールドを持つOpenAI互換のchat completions。カードにはOllama、llama.cpp、Atomic.chat、Hermes Agentが載っています。画像入力にはGGUFリポジトリのmmprojファイルを使います。
- データとプライバシー
- セルフホストのみなので、データは動かしている場所にとどまります。公式のAPIはなく、確認すべきデータ保持や学習の条件もありません。
- 大規模利用時のコスト
- 重みは無料です。BF16は250 GB（複数GPUのノード）、FP8は133 GB（80 GBのカード2枚）で、80 GBのカード1枚に近いのはNVFP4（77.7 GB）かQ4_K_M（75.8 GB）だけです。Mac向けには68.7 GBのMLX 4ビット版があります。公式のホスト型の価格は公開されていません。NanoGPTは100万トークンあたり入力$0.20、出力$0.80としていますが、モデルを利用不可としています。
- 制限
- 推論はデフォルトでオンなので、回答はthinkブロックの後に続きます。コンテキストは262,144トークンで、YaRNで約1Mまで拡張できますが、通常の長さの入力では品質がいくらか落ちます。
良い点
- 報告値はSWE-bench Verifiedで84.5%、Proで76.9%
- MITライセンス
- Qwen3.5のvLLMまたはSGLangの構成にそのまま差し替え可能
- 公開時からFP8、NVFP4、GGUF、MLXのビルド
気になる点
- 「80 GBのGPU 1枚」は4ビットの場合のみ
- スコアはすべて自己申告で、Ornithが定めたルールによる
- チーム名、資金、公式のAPIがない
- Terminal-Bench 2.1でQwen3.8-Flash-Nextに及ばない
おすすめの人
大型GPU 1枚でオープンウェイトの コーディングエージェントを提供し、独自の評価を実施できるチームに向いています。
Ornith-1.5-122Bの代替
Ornith-1.5-122B：よくある質問
- Ornith-1.5-122Bは使う価値があるか？
- 名前を公表していない研究 所による目を引くコーディングのスコアですが、GPU 1枚という売り文句が成り立つのは4ビットの場合だけです。 評価は5点満点中3.6点です。
- Ornith-1.5-122Bの料金は？
- MITのもとでオープンウェイトは無料です。費用は自前のハードウェアかホスティングの分だけです。
- Ornith-1.5-122Bの欠点は？
- 「80 GBのGPU 1枚」は4ビットの場合のみ; スコアはすべて自己申告で、Ornithが定めたルールによる; チーム名、資金、公式のAPIがない; Terminal-Bench 2.1でQwen3.8-Flash-Nextに及ばない.
- Ornith-1.5-122Bは誰に向いているか？
- 大型GPU 1枚でオープンウェイトのコーディングエージェントを提供し、独自の評価を実施できるチームに向いています。
- チームや本番環境でOrnith-1.5-122Bを使うと費用はいくらか？
- 重みは無料です。BF16は250 GB（複数GPUのノード）、FP8は133 GB（80 GBのカード2枚）で、80 GBのカード1枚に近いのはNVFP4（77.7 GB）かQ4_K_M（75.8 GB）だけです。Mac向けには68.7 GBのMLX 4ビット版があります。公式のホスト型の価格は公開されていません。NanoGPTは100万トークンあたり入力$0.20、出力$0.80としていますが、モデルを利用不可としています。
- Ornith-1.5-122Bは企業データを扱っても安全か？
- セルフホストのみなので、データは動かしている場所にとどまります。 公式のAPIはなく、確認すべきデータ保持や学習の条件もありません。
- Ornith-1.5-122Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3.8-Flash-Next, Nemotron 3.5 Super VL 、 DeepSeek-V4.1-Flashです。
回答確認日：2026年10月23日