Ornith 1.0 本地跑真实情况是：视频标题说的「Opus 级」指的是 397B 旗舰，教程里真让你下载的却是 9B。同一张官方表上，9B 比 Claude Opus 4.8 低了 41.9 分；换独立榜单的 Opus 4.8 数据，也还差 28.8 分。
硬件那三条视频说对了：8GB 显存这条门槛没有夸大，35B 的 24GB 确实不够宽裕，397B 与家用机无关。问题出在「Opus 级」四个字和 9B 之间那道没人补的桥——397B 打得过 Opus 4.7，不代表你装得起的 9B 也打得过。
📌 视频来源与核查立场
素材是 The AI Grid 的 Ornith 1.0 Tutorial - How To Install and Use Ornith 1.0 (Opus Level Coding Locally)，实测发布日期 2026-06-29，时长 8 分 54 秒，走 LM Studio 桌面端下载 9B GGUF 权重，生成单文件 HTML 应用，中间还演示了一次失败与一次修补。
核查立场：Ornith-1.0 的规格、基准表、许可证都取自 Hugging Face 官方模型卡与 DeepReinforce 技术博客；显存与文件体积取自第三方硬件测算站；跨来源的基准名冲突单列一节，不替任何一方选一个数。涉及模型能力的断言一律标出是谁在什么口径下测的。
⚡ 速览：七条判定
| 视频的主张 | 判定 | 依据 |
|---|---|---|
| 397B 版本在各基准上与前沿闭源模型竞争 | 基本属实，但是厂商自报 | 官方表 397B 的 SWE-bench Verified 82.4、SWE-bench Pro 62.2、Terminal-Bench 2.1（Terminus-2）77.5，五次运行平均 |
| 397B 版本在 Terminal-Bench 上压过 Opus 4.7 | 属实（同一张表内） | 同表 Opus 4.7 为 70.3；但 Opus 4.8 为 85.0，仍在前面 |
| 标题的「Opus Level」适用于教程实际安装的 9B | 不成立 | 9B 的 Terminal-Bench 2.1 是 43.1，Opus 4.8 是 85.0，差 41.9 分；换用独立榜单的 Opus 4.8（71.91）也还差 28.8 分 |
| 9B 只需 8GB 显存，12GB 更好 | 方向正确，数值偏松 | 第三方测算 Q4_K_M 下权重约 5.7GB、整机约 7.6GB 显存，建议至少 9GB；8GB 卡属于「刚好塞下」 |
| 35B 需要 24GB 显存，且「会慢会紧」 | 属实 | 第三方测 35B-A3B 的 Q4_K_M 约需 23.2GB 显存、建议 27GB；24GB 卡按其表属于 offload（溢出到系统内存） |
| 397B 不适合家用机，需要多卡或数据中心 | 属实 | 官方模型卡给的 35B 服务配方就是 8×80GB 张量并行；9B 稠密模型 bf16 也约 19GB |
| 模型只有 5GB 左右，完全离线可跑 | 属实 | Q4_K_M 权重约 5.7GB，LM Studio 本地加载，推理不出本机 |
🧩 标题里的「Opus 级」和教程里的 9B 不是同一个东西
Ornith-1.0 由 DeepReinforce 在 2026-06-25 发布，一共四档：9B 稠密、31B 稠密、35B 混合专家、397B 混合专家，后两者分别后训练自 Qwen 3.5 与 Gemma 4，MIT 许可证，无地区限制。官方把整族的卖点写成「self-improving」：强化学习不只学解题过程，同时学驱动解题的脚手架，奖励回传给两个阶段。
这套说法在旗舰上有分量。官方表里 397B 的 Terminal-Bench 2.1（Terminus-2）是 77.5，同表 Opus 4.7 是 70.3，Opus 4.8 是 85.0。
SWE-bench Verified 一栏，397B 是 82.4，Opus 4.7 是 80.8，Opus 4.8 是 87.6。也就是说：397B 在 Terminal-Bench 与 SWE-bench Verified 上都赢 Opus 4.7，两栏也都输给 Opus 4.8。
视频真正的问题是把这一层的结论带到了下一层。9B 是同一族的最小档，官方给的 Terminal-Bench 2.1（Terminus-2）只有 43.1，Claude Code 脚手架口径 40.6。视频从头到尾没有念出这两个数字，标题却挂上了「Opus Level Coding Locally」。
📊 9B 的官方分数自己也不支持「Opus 级」
9B 的分数在同表里也压不过 35B 稠密基线。下面这些数字全部来自官方 9B 模型卡同一张表，可直接横向比：
| 基准（官方同表口径） | Ornith-1.0-9B | Qwen3.5-9B | Qwen3.5-35B | Gemma4-31B |
|---|---|---|---|---|
| Terminal-Bench 2.1（Terminus-2） | 43.1 | 21.3 | 41.4 | 42.1 |
| Terminal-Bench 2.1（Claude Code） | 40.6 | 18.9 | 38.9 | — |
| SWE-bench Verified | 69.4 | 53.2 | 70.0 | 52.0 |
| SWE-bench Pro | 42.9 | 31.3 | 44.6 | 35.7 |
| SWE-bench Multilingual | 52.0 | 39.7 | 60.3 | 51.7 |
| NL2Repo | 27.2 | 16.2 | 20.5 | 15.5 |
| Claw-eval 平均 | 63.1 | 53.2 | 65.4 | 48.5 |
三件事可以直接读出来。
第一，9B 的强项集中在 Terminal-Bench 与 NL2Repo，都是命令行任务与仓库生成，对应「一条命令跑完」的形态。
第二，在 SWE-bench Verified、Pro、Multilingual、Claw-eval 四栏里，9B 全部低于同表的 Qwen3.5-35B。差距最大的 Multilingual 是 52.0 对 60.3，差 8.3 分。
第三，官方宣传里最亮眼的那句「9B 打平 Gemma4-31B」，落到具体数字是 43.1 对 42.1。这张表是五次运行平均，1.0 分落在噪声里。
站内已有两篇可对照的本地模型文章：显存预算怎么排见8GB 显存跑视频生成那篇，手机端离线跑权重的门槛见手机离线跑开源权重那篇。Ornith 9B 卡在两者之间：显存要求接近手机端的量级，但它是纯文本编码模型，没有多模态输入，不能替代手机那类用法。
🔍 同一个基准名，厂商表与独立榜单差 13 分
这是全篇最该记住的一条。凡是看到「A 模型打败 B 模型」，先看两边的数是不是同一个口径。
Claude Opus 4.8 在 Terminal-Bench 2.1（Terminus-2）这一个名字下有两个差很远的数：Z.ai 的对比表写 85.0，第三方独立评测站 Vals AI 的实测是 71.91%，差 13.09 分。
换成 Claude Code 脚手架口径，前者 78.9、后者 69.66%，差 9.24 分。同一个模型、同一个基准名、同一个 harness 名字，两套数差了 13 分。
原因不神秘：Terminal-Bench 的分数由模型、harness、任务集三者共同决定。厂商评测往往同时调了采样参数、改了 chat template、对 harness 做了适配。Ornith 官方就明确写了在 Terminal-Bench 评测里调整过 Qwen 的 chat template 以对齐训练与推理，并修改了 Harbor 的 key 格式。这类改动不违规，但「82.4 对 80.8」这种比较只在同一张表内成立。
第三方榜单那边同样能看到反例：Vals AI 的 Terminal-Bench 2.1 榜单上，Claude Opus 4.8 排第 25 名 71.91%，Claude Opus 4.7 排第 31 名 68.54%，GLM 5.2 第 33 名 67.79%。这个站已把 Terminal-Bench 2.1 归档为由 Terminal-Bench 4.0 取代，不再对新模型跑分，历史成绩保留供对照。
社区侧的独立复现更直接。有人拿 Ornith-1.5-35B 与 Qwen3.8-27B 做了对照并公开贴表：Terminal-Bench 2.1 是 67.8 对 73.0，SWE-bench Pro 是 59.6 对 61.7，DeepSWE 是 22.0 对 42.2。DeepSWE 那一栏差了将近一倍——而 DeepSWE 恰恰是最难靠单文件补丁刷分的长程工程基准。这是单人单次跑，不是同行评审，但足以说明「厂商表」与「复现值」之间经常不是同一件事。
⚙️ 硬件门槛：8GB 说得住，35B 的 24GB 是溢出不是刚好
视频列的三个数字，逐个对第三方测算口径。
9B：Q4_K_M 量化下权重约 5.7GB，加 KV 缓存与运行时开销，整机约需 7.6GB 显存，官方建议至少 9GB。视频说「8GB 能跑、12GB 更好」方向没错，但 8GB 是贴着天花板跑，不是宽裕。
速度受显存带宽限制，模型全量进显存和溢出到系统内存之间差着数倍：RTX 5090 与 4090 大约 132 tok/s，RTX 4080 Super 109 tok/s，RTX 4070 12GB 约 71 tok/s，RTX 4060 8GB 约 37 tok/s，最后这一档被标为 tight。
35B：这是 35B-A3B 的混合专家模型，激活参数 3B。Q4_K_M 下权重约 21.4GB、整机约 23.2GB 显存，测算站建议 27GB，24GB 卡的结论直接写的是 offload。视频说「24GB 可以但会慢会紧」，这个表述比多数测评准确，它没有把溢出说成装得下。
397B：与家用机无关。官方模型卡给的服务配方是 vLLM 加 SGLang，8 张 80GB 卡做张量并行，连 35B 那一档官方也这么写。9B 稠密模型 bf16 约 19GB，官方配方写的是单张 80GB 卡起步——这套配方面向服务端，不是桌面。
还有一条视频没提的硬门槛：官方要求 Transformers ≥ 5.8.1、vLLM ≥ 0.19.1、SGLang ≥ 0.5.9，且这些模型是默认开启思考块的推理模型，回复先来一段 <think>。LM Studio 这类桌面端能不能给推理块单独分流、给不给工具调用解析器，得按自己那套版本对一遍，别照抄视频的界面。
🔄 四个月后，Ornith-1.5 已经顶替 1.0
视频录于 2026-06-29，视频发布两个月后（2026-08-19/20），DeepReinforce 放出了 Ornith-1.5。这不是小修补，同尺寸模型的官方分数整体上移：
| 官方基准 | 1.0 | 1.5 | 变化 |
|---|---|---|---|
| 9B · Terminal-Bench 2.1 | 43.1 | 58.3 | +15.2 |
| 9B · SWE-bench Verified | 69.4 | 71.8 | +2.4 |
| 35B · Terminal-Bench 2.1 | 64.2 | 74.8 | +10.6 |
| 35B · SWE-bench Verified | 75.6 | 80.1 | +4.5 |
| 397B · Terminal-Bench 2.1 | 77.5 | 86.1 | +8.6（Opus 4.8 同栏 85.0） |
做法上的变化是 1.5 在脚手架之上又加了一层：模型自己生成任务、自己搭脚手架、自己解，三段同时用 GRPO 训练，奖励回传给三段。所以叫「self-improvement」。这里的自我改进发生在训练期，不是下载后模型自己改权重——这一点官方与两篇独立分析的口径一致。
9B 一档还有个新选项：官方放出了量化版 Ornith-1.5-9B-Mobile，目标平台是手机。第三方给的 8GB 卡档位是 AD-Q5_K-Q4_K，文件 5.9GB、约 6GB 显存；16GB 统一内存的机器建议 AD-Q8_0-Q6_K；起步上下文开 8K 再按需往上调。
今天照着视频走，进 LM Studio 搜到的应该是 1.5 而不是 1.0，同一档 Terminal-Bench 差 15.2 分。
🧪 演示里那个问号按钮，是分数的注脚
视频自己留了两处失败。一处是让模型「改进设计并加一个深色模式按钮」，结果按钮渲染成了一个问号；作者一句「这就有点不太好」带过。另一处更典型：交易风险计算器的界面加载了，点计算按钮没反应，作者把 bug 描述清楚（「界面正常，点计算无响应，修 JS 让按钮生效，返回完整文件」），模型第二次就改对了。
这两处不是翻车，是演示本身给出的能力边界：单文件小应用能成型，交互细节靠人工描述修补才能收敛。这与 9B 的官方分数是一致的——43.1 的 Terminal-Bench 意味着约四成任务一次做不对，SWE-bench Verified 69.4 意味着真实仓库里三成问题需要返工。作者最后把 9B 称作「跑在自己机器上的初级开发者，检查它的工作」，这个定性跟 43.1 分的实测表现对得上，比标题里的「Opus 级」贴切。
✅ 可采纳 / ❌ 不可照抄
| ✅ 可以直接采纳 | ❌ 不要照抄 |
|---|---|
| MIT 许可、无地区限制，权重在 Hugging Face 与 ModelScope 均可取，商用与研究都不受限 | 不要把标题的「Opus 级」套到 9B 上：同表 43.1 对 Opus 4.8 的 85.0，差 41.9 分 |
| 9B 的 Q4_K_M 权重约 5.7GB，8GB 显存能跑，隐私与零调用成本这两条是真的 | 不要把「35B 用 24GB 显存」当成装得下：测算站结论是 offload，建议 27GB |
| 完全离线运行，提示词不出本机，也不按消息计费——这是本地权重相对 API 的唯一硬优势 | 不要用厂商表跨表比模型：同一基准名 Opus 4.8 有 85.0 与 71.91 两套数，差 13 分 |
| 小脚本、单文件网页应用、解释代码、明显的调试——这几类 9B 确实能干 | 不要按视频的 1.0 数字决策：9B 的 Terminal-Bench 已从 43.1 升到 58.3，该下 1.5 |
| 「初级开发者 + 人工复核」这个定位，与官方分数和演示表现都对得上 | 不要指望它独立处理大代码库、复杂前端项目、后端架构与长上下文多指令任务 |
📚 参考来源
- Hugging Face，ornith-ai/Ornith-1.0-9B 官方模型卡（含 9B 全量基准表、采样参数、vLLM/SGLang 服务配方、推理模型说明）
- Hugging Face，ornith-ai/Ornith-1.0-35B 官方模型卡（含 35B 基准表与 8×80GB 张量并行服务示例）
- Hugging Face，ornith-ai/Ornith-1.0-9B-GGUF 官方量化权重页（标注可用 llama.cpp / LM Studio / Ollama / Jan 加载）
- DeepReinforce 技术博客，Ornith-1.0 自脚手架 RL 说明（deep-reinforce.com）
- explainx.ai，Ornith-1.0 与 Ornith-1.5 独立分析（397B/35B/9B 三档分数对照、评测脚手架说明、HN 社区复现数据转述）
- Vals AI，Terminal-Bench 2.1 榜单与方法论（Opus 4.8 实测 71.91%、Opus 4.7 68.54%、GLM 5.2 67.79%；该基准已归档由 Terminal-Bench 4.0 取代）
- willitrunai.com，Ornith 1.0 9B / 35B A3B 显存与速度测算（Q4_K_M 权重体积、各显卡 tok/s、35B 在 24GB 卡上的 offload 结论）
- Atomic Chat，Ornith 1.5 9B 本地运行指南（8GB 卡 AD-Q5_K-Q4_K 5.9GB 文件、16GB 统一内存 AD-Q8_0-Q6_K、8K 起步上下文）
本文为公开信息核查整理，不构成投资建议。基准分数均为发布方或第三方在各自口径下的自报结果，尚未经同行评审；跨来源引用前请以各家最新页面为准。本地权重下载与运行请自行评估硬件与许可证条款。