Ornith 1.5 35B-A3B

Sparsames MoE-Modell der Ornith-1.5-Familie (35B gesamt / 3B aktiv, MIT) – agentisches Coding deutlich über dem Klassenschnitt, lokal auf einer 80-GB-GPU lauffähig.

Überblick

Ornith-1.5-35B-A3B ist die Mittelklasse der zweiten Ornith-Generation von DeepReinforce: ein Mixture-of-Experts-Modell mit 35B Gesamtparametern, von denen je Token nur rund 3B aktiviert werden. Basis ist Qwen 3.5; das Post-Training zielt wie bei den Geschwistern auf agentisches Coding. Lizenz MIT.

Use Cases

Agentisches Coding auf einer einzelnen 80-GB-GPU – der Bereich, in dem die Reihe ihren stärksten Preis-Leistungs-Punkt hat
Repo-nahe Aufgaben mit Agent-Harness (OpenHands, Claude Code, Terminus-2)
Tool- und MCP-Workflows über OpenAI-kompatible Endpunkte

Stärken & Grenzen

Stark: Gegenüber dem gleich großen Qwen3.6-35B-A3B berichtet DeepReinforce durchgehend höhere Werte – SWE-bench Verified 79,0 gegenüber 73,4, Terminal-Bench 2.1 67,8 gegenüber 52,5, NL2Repo 46,2 gegenüber 29,4.
Stark: Mit 3B aktiven Parametern günstig zu betreiben; MLX-Builds (6/8 bit) machen Apple Silicon zur realistischen Zielplattform.
Grenze: Der Abstand zum 397B-Flaggschiff ist erheblich und nicht gleichmäßig – bei DeepSWE fällt der Wert von 56,0 auf 22,0, bei Frontier-Bench von 13,5 auf 5,1.
Grenze: Alle Werte sind herstellergemessen (Mittel aus fünf Läufen). Ein auf Hacker News dokumentierter Eigenversuch kommt bei DeepSWE für Qwen3.8-27B auf 42,2 gegenüber 22,0 für dieses Modell – eine Rangfolge, die DeepReinforces Tabellen nicht abbilden.
Grenze: Artificial Analysis hat das Modell nicht vermessen (Stand 26.08.2026); BenchLM führt es mit einem Gesamtscore von 49,1/100 auf Rang 139 von 225, ausdrücklich als Schätzung aus 18 von 406 Benchmarks.

Praxis-Erfahrung

Architektur laut config.json: 40 Layer, Hidden 2.048, 256 geroutete Experten mit Top-8-Routing, Vokabular 248.320, RoPE θ = 10.000.000.
Der Ollama-Build wiegt 23 GB; offizielle FP8-, GGUF- und MLX-Quantisierungen liegen im selben Hugging-Face-Repo-Set.
Ein unabhängiger Testbericht beschreibt, dass die MoE-Variante bei agentischen Aufgaben „merklich besser" abschneidet als das dichte 9B – bei diesem Release lohnt der Sprung auf die MoE-Größe.

Gut zu wissen

Lizenz: MIT, kommerziell nutzbar, keine erstanbieterseitige API und kein publizierter Token-Preis.
Kontext: max_position_embeddings = 262.144, Ollama weist 256K aus.
Modalitäten: Die config.json enthält Vision-Encoder und Bild-Token, Ollama listet „Text, Image". Der Launch-Beitrag beschreibt das Modell rein textlich – die Card folgt den Artefakten und führt Text + Bild als Eingabe.
Release-Datum: Der Launch-Beitrag nennt nur „August 2026", Sekundärquellen den 18. bis 20.08.2026.

Weitere Benchmarkwerte ohne Eintrag in der Score-Tabelle

Alle Werte DeepReinforce, Mittel aus fünf Läufen.

Benchmark	Ornith 1.5 35B-A3B
SWE-bench Pro	59,6
SWE-bench Multilingual	71,4
DeepSWE	22,0
Frontier-Bench v0.1	5,1
NL2Repo	46,2
SWE Atlas – QnA	39,8
HLE (mit Tools)	33,4
MCP-Atlas	70,2
Toolathlon-Verified	48,7
WideSearch	67,8
BrowseComp	67,6
ClawEval	72,5