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-0731284B的对位大致是这样测试项目Ornith-1.5 397BDeepSeek-V4-Flash终端任务 Terminal-Bench 2.186.182.7修真实 BugSWE-bench Verified86.081.6难题版 SWE-bench Pro65.164.4高难推理 HLE不用工具44.635.0前沿难题 Frontier-Bench13.56.1工具调用 MCP-Atlas80.074.6十几项测下来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 GBQ5 版约 23.6 GBQ6 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