Ornith-1.5 硬刚 DeepSeek V4：榜单几乎全线小胜，但仔细一看分数，门道真不少
最近开源大模型圈子又炸了一回锅。
8 月中旬，一个叫 Ornith 的团队丢出了 Ornith-1.5 系列，官方博客一开篇就把自家旗舰和 DeepSeek-V4-Flash、GLM-5.2、Claude Opus 4.8、Kimi K3 摆进同一张表里比。结果一出来，评论区立刻分成两派：一派喊“国产开源被偷家了”，另一派冷笑“自己出题自己考，谁不会啊”。
那这事儿到底该怎么看？是真实力，还是漂亮的数字游戏？咱们今天不吹不黑，把分数、成本、生态三件事摊开来说。
一、先搞明白：Ornith 是个什么来头
说人话，Ornith 是一支主打“AI 自己教自己”的开源模型团队。
它的路子挺特别：一般模型训练，是请人类专家出题、人类专家判卷；Ornith-1.5 干的是——让模型自己出题、自己搭考场、自己刷题，还专挑自己刚够不着的那道题练。
打个比方，就像一个学生不再等老师发卷子，而是每天自己琢磨：“我上次函数题错了，那我今天再编一道更难的函数题，顺便把评分标准也写好，做完自己对答案。”练完之后，出题水平、解题水平一起涨。
官方说，Ornith-1.5 是在 Qwen3.5 和 Gemma4 的基础上继续“深造”出来的，一口气发了三个尺寸：
- 397B 旗舰版：总参数 3970 亿，官方称部分测试追平甚至超过 Claude Opus 4.8，这就是本次“叫板 DeepSeek”的主角；
- 35B-A3B 中号版：总参数 350 亿，但每次只激活约 30 亿，是普通人和小团队真正跑得动的那个；
- 9B 小号版：还有个手机量化版，官方说能在 iPhone 17 和安卓旗舰上跑起来。
而这次 Hugging Face 上放出的 GGUF 版本，主角正是中间那个 35B-A3B——这也是本文后半段要重点聊的“普通人能上手的那一档”。
二、逐项对位：赢是赢了，但得看清赢的是谁
先把最硬的分数摆出来。Ornith-1.5 官方博客里，397B 旗舰和 DeepSeek-V4-Flash-0731（284B）的对位大致是这样：
| 测试项目 | Ornith-1.5 397B | DeepSeek-V4-Flash |
|---|---|---|
| 终端任务 Terminal-Bench 2.1 | 86.1 | 82.7 |
| 修真实 Bug（SWE-bench Verified） | 86.0 | 81.6 |
| 难题版 SWE-bench Pro | 65.1 | 64.4 |
| 高难推理 HLE（不用工具） | 44.6 | 35.0 |
| 前沿难题 Frontier-Bench | 13.5 | 6.1 |
| 工具调用 MCP-Atlas | 80.0 | 74.6 |
十几项测下来，Ornith 确实是全线小胜，没有一项翻车。这就是它敢喊话的底气所在——不是靠某一项刷了个高分，而是从写代码、改 Bug、终端操作到工具调用，整体都压了一头。
但问题也恰恰藏在这张表里，有三个细节必须说清楚。
第一个细节：对手是“Flash”，不是满血版。
表里比的 DeepSeek-V4-Flash-0731 是 284B 的轻量版本，不是 DeepSeek 家族最大最猛的那一档。拿自家 397B 去打对面 284B 的轻装版，赢了当然值得夸，但直接说“干翻 DeepSeek V4”，多少有点抢跑。
第二个细节：参数上是大欺小。
397B 对 284B，多了将近四成参数。用一个更大的模型赢一个更小的模型，这是理所应当，不算爆冷。真正说明问题的是差距有多小——SWE-bench Pro 只赢了 0.7 分，几乎算打平。
第三个细节：这份成绩单是自家出的。
评测用的框架官方自己改过，对话模板也调过，跑分还是五次取平均。这不代表造假，业内都这么干，但没有第三方复现之前，任何“封神”都得打个折。
再看真正的前沿天花板：Claude Opus 4.8 在 SWE-bench Pro 上是 68 分，DeepSWE 59 分，Frontier-Bench 21.1 分，Kimi K3 在 DeepSWE 上更是拿到 67.5 分。Ornith 的 65.1、56、13.5，说明它已经很贴近第一梯队，但离“前沿最难的那批题”还差着一截实打实的距离。
所以准确的说法应该是：Ornith-1.5 用开源的方式，把“准顶级”这条线又往下拉了一大截，但还没到掀桌子的程度。
三、真正吓人的不是分数，是“便宜得离谱”
如果说榜单是面子，那成本和部署才是里子——这才是 Ornith 最让同行难受的地方。
先看架构。35B-A3B 是典型的“混合专家”结构，总参数 350 亿，但每处理一个 token，只调用其中约 30 亿参数干活。
什么概念？就像一家 350 人的公司，来一个项目不是全员开会，而是精准点 3 个人进小会议室，剩下的人继续喝茶。人手看着多，开销却按 3 个人算。
落到本地部署上就更直观了。这个 GGUF 仓库里，官方给了五档“压缩包”：
- 极致压缩的 Q4 版，约20 GB
- Q5 版约 23.6 GB，Q6 版约 27.2 GB
- 高保真的 Q8 版约 35.2 GB
- 完全体 BF16 版约66 GB
- 另外还有一个约 0.8 GB 的视觉模块，说明这模型还能“看图”
而对面 DeepSeek-V4-Flash 是 284B 级别，就算做量化，体积和显存需求也完全不在一个量级。
早前社区在 16G 显存的 RTX 4080 上实测过上一代 Ornith 35B 的 4bit 版本，能稳住跑，推理速度大约每秒 18 个 token，比同尺寸的 Qwen 还略快一点，代码类测试的通过率也稍高。
这意味着什么？一张几千块的家用显卡，加上主板上的内存，就能在家里跑一个“接近顶级”的编程助手，电费还是自己的，数据一行都不出屋。
当然也得说句实话：官方推荐跑满 256K 超长上下文，用的是两张 80G 的专业卡。20 GB 的 Q4 版本塞进 16G 显卡，必然要把一部分专家“赶”到内存里，速度会明显掉下来。想让模型读完整个中型项目再动手改代码，还是得有点硬件家底。
四、普通人怎么玩？门槛比想象中低
这才是这个 GGUF 版本存在的最大意义：把“高不可攀”变成了“下载即用”。
它兼容现在最主流的几个本地工具，Ollama、llama.cpp、LM Studio 基本都是一条命令或者点几下鼠标的事，并且对外提供的是标准 OpenAI 接口——换句话说，市面上那些 AI 编程插件、终端助手、Agent 工具，几乎不用改代码就能直接接上它。
它能干的活儿也很具体：
- 把一整个项目丢给它，让它自己翻文件、找 Bug、写补丁；
- 在终端里听你一句人话，自己敲命令、装依赖、跑测试；
- 读长篇文档、整理会议记录、批量改文案；
- 配合那个 0.8 GB 的视觉模块，还能看截图、认图表。
官方还特别强调，它是“先想再答”的推理型模型，回答前会先在脑子里过一遍推理过程，复杂任务不容易张口就来。
适合谁？程序员、独立开发者、小团队、对数据隐私敏感的公司，以及喜欢折腾的科技发烧友。
不适合谁？想要下载完就有一个漂亮聊天界面、不想碰命令行的普通用户——那还是用现成的云端 App 更省心。
五、开源话语权：从“比分数”转向“比好用”
这几年开源模型的竞争，其实换了赛道。
以前大家比谁分数高，现在比的是：谁能让人真的用得起来。
Ornith 这一波打法很清楚：MIT 协议放开商用，量化版本第一时间跟上，手机版直接往端侧铺，还主动适配了一堆主流 Agent 工具。它不是在秀肌肉，而是在抢“开发者第一次尝试”的那个位置。
这恰恰是 DeepSeek 最需要警惕的地方。分数差个三五分，用户未必感知得到；但如果一个模型能在自己的笔记本上跑、免费、数据不外传、接口还通用，很多人的选择会立刻改变。
当然，DeepSeek 的工程能力、中文语感、生态积累依然是硬护城河，尤其是在中文理解和长文本处理上，社区普遍反馈更稳。Ornith 目前的短板也很明显：中文场景的实测样本还太少，官方榜单几乎全是英文编程任务，中文写作、中文知识问答到底行不行，还得等大批用户上手才知道。
结语：分数是敲门砖，便宜好用才是留客的理由
回到标题那个问题——Ornith-1.5 叫板 DeepSeek V4，底气到底有几分？
我的答案是：分数上有七分底气，措辞上有三分虚火。
它确实在一个又一个项目上小胜，也确实用 MoE 架构把成本压到了一个让人心动的水平；但它赢的是轻量版对手，靠的是更大的参数和自家的考场，离“碾压”还差得远。
真正值得记住的，不是那张表上多出来的几个小数点，而是这件事本身的信号：顶级水平的 AI 编程能力，正在从“云上的服务”，变成“你电脑里的一个文件”。
如果有一天，你写代码、改文档、做报表，都可以交给一个躺在自己硬盘里、断网也能干活、还不要月费的模型，你还会继续为云端的会员付费吗？评论区聊聊你的选择。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
