モデルが自分で課題を作り、それを試す装置まで組み、その結果で自分を訓練する——DeepReinforce は重みも無償公開した
DeepReinforce は 8 月 19 日、Ornith-1.5 を三つのオープンウェイト版で公開した。3970 億パラメータの専門家混合モデル、トークンあたり 30 億パラメータを活性化する 350 億モデル、そして 90 億の密モデルで、いずれも MIT ライセンス、重みは Hugging Face にある。注目すべきは規模ではない。人間が書いた固定の課題集から学ぶのではなく、モデル自身が課題を提案し、妥当性・難易度・新規性で採点し、それを実行するための足場を自分で書き、生成した解答試行を強化学習に還流させる。チームはこれを、自己足場構築から自己改善への輪を閉じたと表現している。研究所自身の数値では、397B モデルは Terminal-Bench 2.1 で 86.1、DeepSWE で 56.0。Claude Opus 4.8 は同じ指標で 85.0 と 59.0、GLM-5.2 は 82.7 と 46.2 である。GPQA Diamond は 92.8 と報告されている。文脈窓は 262,144 トークン、BF16 形式でモデル全体は約 800 ギガバイトなので、ここでいう「オープン」は手元のノートパソコンで動くという意味ではない。それができるのは、Terminal-Bench 2.1 で 47.0、SWE-bench Verified で 70.6 を出す 9B 版である。
なぜ重要かいまやどの研究所も、良質な訓練問題が尽きかけていると言う。これはその答えの一つだ——カリキュラムをモデル自身に書かせる。これが通用するなら、能力の天井は「人間が何問まともな問題を書けるか」ではなく、「モデルが自分の作った問題を解く価値があるかどうかをどれだけ正しく判断できるか」になる。こちらのほうが居心地の悪いボトルネックだ。難易度を自分で採点する系は、難しいだけで無意味な問題へ漂流しうるからである。またこれらは DeepReinforce が自ら選んだベンチマーク上の自社数値であり、独立した評価はまだ出ていない。争いようがないのはライセンスのほうだ。端末エージェント作業で旗艦モデルと互角だと主張する MIT ライセンスのモデルは、公開の場で床を上げたことを意味する。閉じたモデルへのアクセスを売る側は、これを基準に値段をつけ直さなければならない。
▶ 関連動画: Ornith-1.5 Ships 9B Dense, 35B and 397B MoE Models | Models & Agents #Shorts
アプリで読む——無料・9言語
関連ニュース
噂：コーディングのベンチマークを無料で制した匿名モデルは、智譜（Zhipu）の未発表フラッグシップだとされる2026-08-21ディープシークの安価な主力モデルが「見る」ようになった——視覚を要するエージェント課題でアンソロピック最上位に迫ると主張
2026-08-21エヌビディアが競合の「モデル製造装置」に60億ドル、動かしていた109人も採用
2026-08-21AIの訓練方法を改善するために4時間とGPUを1枚与えたところ、最良のエージェントは1点満点で0.25。そして大半は試みすらしなかった
2026-08-21ChatGPTがあなたのiMessageを読み、送れるようになった——そして確認を省く設定こそ、OpenAI自身が警告しているものだ
2026-08-21