Das Wichtigste in Kürze
- Ornith-1.5-122B ist ein offenes Textmodell von Ornith mit MoE-Struktur: 122 Mrd. Parameter gesamt, 10 Mrd. aktiv, MIT-Lizenz.
- Die Ankündigung nennt Spitzenwerte unter offenen Modellen ähnlicher Größe, unter anderem SWE-bench Verified 0,845 und BrowseComp 0,785.
- Quellcode und Anleitung liegen auf huggingface.co; eine komprimierte Fassung mit 35 GB läuft laut Hinweis lokal auf einem Mac mit 64 GB RAM, auch über Ollama.
Kurzüberblick
| Parameter | 122 Mrd. gesamt, 10 Mrd. aktiv |
|---|---|
| Architektur | Mixture of Experts, Textgenerierung |
| Lizenz | MIT, offene Gewichte |
| Hardware-Hinweis | eine NVIDIA-DGX-Karte; komprimiert 35 GB auf Mac mit 64 GB RAM |
| Kategorie | KI & Modelle |
| Urheber | Ornith |
| Offizielle Seite | huggingface.co ↗ |
| Trend-Index | 🔥 1,5 Mio. Trend-Index |
| Veröffentlicht | |
| Zuletzt aktualisiert |
Was Ornith am 20. Oktober freigegeben hat
Kein Kompromiss zwischen stark und schnell: stärker, schneller, schlanker.
Ornith beschreibt Ornith-1.5-122B als offenes Modell mit Frontier-Niveau und hoher Inferenz-Effizienz. Herausgestellt werden besseres Befolgen von Anweisungen, stärkere Aufgabenzerlegung und ein tieferes Verständnis realer Arbeitsabläufe. Den Stand der Technik beansprucht Ornith ausdrücklich unter Open-Source-Modellen vergleichbarer Größe, nicht als pauschalen Vergleich mit jedem geschlossenen System.
Die Gewichte stehen unter der MIT-Lizenz. Quellcode und Hinweise liegen im offiziellen Repository ornith-ai/Ornith-1.5-122B auf huggingface.co. Die Modellkarte führt das Modell als Textgenerierung und nennt in der Kurzbeschreibung 125 Milliarden Parameter; die Veröffentlichung selbst spricht von 122 Milliarden gesamt.
- Instruktion und Planung
Ornith hebt Instruction Following, Task Decomposition und das Verstehen echter Workflows als Kern der 1.5-Generation hervor.
- Schlank zur Laufzeit
Trotz 122 Milliarden Parametern sind pro Durchlauf 10 Milliarden aktiv, ausgelegt auf starke Ergebnisse bei sparsamer Inferenz.
- Offen zum Weiterbauen
MIT-Lizenz und der Aufruf, selbst mit Ornith-1.5-122B zu bauen, richten sich an lokale Experimente ebenso wie an eigene Dienste.
Coding- und Agenten-Benchmarks im Überblick
Die Ankündigung teilt die Zahlen in Coding und Agentic. Im Coding-Block liegen SWE-bench Verified bei 0,845, TB2.1 bei 0,813, CyberGym bei 0,800 und NL2Repo bei 0,512. Bei agentischen Aufgaben nennt Ornith HLE 0,446, BrowseComp 0,785, MCP-Atlas 0,746 und Toolathlon 0,708.
Diese Werte stammen aus der Veröffentlichung von Ornith. Unabhängige Nachtests, die genaue Benchmark-Konfiguration und der Vergleich mit einzelnen Konkurrenzmodellen gleicher Klasse stehen in den vorliegenden Angaben nicht.
| Bereich | Benchmark | Wert |
|---|---|---|
| Coding | SWE-bench Verified | 0,845 |
| Coding | TB2.1 | 0,813 |
| Coding | CyberGym | 0,800 |
| Coding | NL2Repo | 0,512 |
| Agentic | HLE | 0,446 |
| Agentic | BrowseComp | 0,785 |
| Agentic | MCP-Atlas | 0,746 |
| Agentic | Toolathlon | 0,708 |
Zugang, lokale Läufe und offene Punkte
Die Modellkarte gliedert den Einstieg in Quickstart, Serving, die Chat-Completions-API, agentische Nutzung und Coding-CLIs. Dazu ist das Modell auf Ollama verfügbar. Eine komprimierte Fassung mit 35 GB soll lokal auf einem Mac mit 64 GB Arbeitsspeicher laufen; die volle Effizienz-Aussage der Ankündigung bezieht sich auf eine einzelne NVIDIA-DGX-Karte.
Preise für einen gehosteten Dienst nennt Ornith nicht. Offen bleibt, wie nah die 35-GB-Fassung an den genannten Benchmarks liegt, welche DGX-Variante gemeint ist und warum die Karte 125 Milliarden Parameter ausweist, während Release und Name bei 122 Milliarden bleiben. Zehn Spaces auf Hugging Face binden das Modell bereits ein; das sagt noch nichts über Produktionsreife in deinem Setup.
- Selbst hosten
Repository, Serving-Hinweise und die Chat-Completions-API auf huggingface.co sind der dokumentierte Weg, wenn du einen eigenen Endpunkt willst.
- Lokal über Ollama
Die komprimierte 35-GB-Variante ist der konkrete Hinweis für einen Mac mit 64 GB RAM, ohne dass dafür eine DGX-Karte vorausgesetzt wird.
- Agenten und CLIs
Eigene Abschnitte zu agentischer Nutzung und Coding-CLIs zeigen, wofür Ornith das Modell neben reinem Chat vorsieht.
Schritt-für-Schritt-Anleitung
Repository öffnen
Geh auf huggingface.co zum Repository ornith-ai/Ornith-1.5-122B. Dort liegen Gewichte, Quellcode und die offiziellen Hinweise.
Quickstart oder Serving folgen
Nutze den Quickstart für einen ersten Lauf. Für einen Dienst führen die Abschnitte Serving und Chat Completions API durch das Bereitstellen.
Agenten oder Coding-CLI anbinden
Wenn du Werkzeuge oder eine Coding-Oberfläche anschließen willst, orientier dich an den Abschnitten Agentic Usage und Coding CLIs in derselben Modellkarte.
Komprimiert lokal testen
Über Ollama kannst du die komprimierte Fassung mit 35 GB laden. Dafür ist ein Mac mit 64 GB RAM der genannte Rahmen.
Häufige Fragen
Brauche ich für jeden Test eine NVIDIA-DGX-Karte?
Die Ankündigung nennt eine einzelne NVIDIA-DGX-Karte für den effizienten Lauf des Modells. Getrennt davon gibt es die komprimierte 35-GB-Fassung für einen Mac mit 64 GB RAM über Ollama.
Darf ich die Gewichte kommerziell nutzen?
Die offenen Gewichte stehen unter der MIT-Lizenz. Konkrete Hosting-Preise veröffentlicht Ornith in diesen Angaben nicht.
