Ornith-1.0-35B-GGUF
קוד פתוחornith-aimit2026-06-25
מודל קוד אג'נטי בגודל 35 מיליארד פרמטרים שמיועד לריצה מקומית. הוא נבנה לתפעול טרמינל עצמאי ופתרון באגים מורכבים במקום מודלי ענק יקרים.
- 168 GBמשקל הקבצים
- 2,803,219הורדות בחודש
- 1,056לייקים
מה זה
מדובר במודל MoE שעבר אימון ייעודי על בסיס Qwen ו־Gemma בשיטת למידת חיזוק, במטרה לתכנן ולבצע משימות פיתוח רב-שלביות. הוא פולט בלוקי חשיבה ובלוקי קריאה לכלים באופן מובנה, כך שמערכות חיצוניות מקבלות ממנו ישירות פקודות ביצוע ללא צורך במעטפת תרגום נוספת.
במבחני SWE-bench Verified הוא עומד על 75.6 אחוז וב־Terminal-Bench מגיע ל־64.2, פער ברור מול Qwen 3.5 בגודל מקביל שעומד על 41.4. במדדי הבנת ריפו כמו SWE Atlas הוא עוקף גם מודלים של כמעט 400 מיליארד פרמטרים. המשמעות בשטח היא פחות לולאות שגיאה כשהוא נדרש לסרוק עץ תיקיות, לתקן קוד ולהריץ בדיקות בעצמו.
מתאים ל
- תיקון באגים בטרמינל
חיבור ישיר לכלים כמו OpenHands כדי לאתר תקלות בקוד, להריץ טסטים ולתקן עצמאית.
- סוכן לפיתוח CLI
שילוב בתוך מסופי פיתוח כמו OpenCode לביצוע פקודות מעטפת מורכבות ללא מגע יד.
- מיפוי ותחקור מאגרי קוד
ניווט בריפו גדול כדי לענות על שאלות ארכיטקטורה בזכות תוצאות גבוהות ב־SWE Atlas.
איפה זה נופל
במשימות של כתיבת ריפו מלא מאפס לפי דרישות טקסטואליות הוא משיג 34.6 אחוז בלבד ב־NL2Repo, כך שהוא עדיין מתקשה לבנות ארכיטקטורה שלמה ללא שלד קיים. כמו כן, הוא מחייב ספריות עדכניות מאוד כמו transformers מגרסה 5.8.1 ומעלה, ושימוש בתבנית צ'אט ספציפית כדי לא לשבור את חילוץ הכלים והחשיבה.
אותה משפחה
Ornith-1.0 יצא ב־7 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.
שאלות
נפוצות
איך מטפלים בפלט החשיבה שלו בצד השרת?
המודל מפיק את תהליך המחשבה בתוך תגיות ייעודיות לפני התשובה הסופית. מומלץ להפעיל את מפענחי ה־reasoning המובנים ב־vLLM או לחתוך את המחרוזת לפי התגית ישירות בקוד.
האם הוא מסוגל להחליף מודלי ענק במשימות סוכן?
במשימות טרמינל ומעקב אחרי שגיאות הוא מתעלה על מודלים גדולים ממנו בהרבה. עם זאת, בפרויקטים שדורשים יצירת פרויקט שלם מאפס התוצאות שלו עדיין מוגבלות.
איך מריצים
מערך הקבצים המלא שוקל 168 ג'יגה-בייט ומחולק לתשעה חלקים, מה שאומר שצריך שרת ייעודי כדי להעלות אותו. ההוראות הרשמיות דורשות שמונה כרטיסי 80GB כדי לפרוס אותו ברוחב מלא דרך vLLM או SGLang, אך גרסת GGUF מאפשרת לטעון אותו ב־llama.cpp או Ollama על פחות זיכרון במחיר של מהירות.
אם אין לכם אשכול מחשוב זמין או שאתם לא מריצים סוכנים ברציפות, קריאה ל־API חיצוני תעלה פחות ותחסוך את כאב הראש של תפעול שרתים עם דרייברים תואמים ועדכוני ספריות שוטפים.
ollama run hf.co/ornith-ai/Ornith-1.0-35B-GGUF:Q4_K_M
איזו גרסה
אותו מודל בכמה רמות דחיסה. ככל שהמספר נמוך יותר הקובץ קטן יותר ורץ על פחות זיכרון, והתשובות נהיות פחות מדויקות. רוב האנשים רוצים את הגדולה ביותר שנכנסת להם בזיכרון.
הקבצים
9 קבצים במאגר, 168 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.
הרישיון
הפרויקט מופץ תחת רישיון MIT. מותר להשתמש בו לצרכים מסחריים, לשנות אותו, להטמיע במוצרים סגורים ולהפיץ הלאה ללא הגבלות גאוגרפיות, כל עוד משאירים את הצהרת זכויות היוצרים המקורית.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש