Ornith-1.0-35B
PulseAugur coverage of Ornith-1.0-35B — every cluster mentioning Ornith-1.0-35B across labs, papers, and developer communities, ranked by signal.
-
Bad Theory Labs 发布 BTL-4，一款 35B 参数的代理推理模型
Bad Theory Labs 发布了 BTL-4，这是一款基于 Ornith-1.0-35B 微调的 350 亿参数代理推理模型。该模型专门为工具使用、软件工程任务和长时程代理工作而设计。它已在 BFCL 和 LiveCodeBench 等基准测试中进行了评估，展示了其在执行门控推理方面的能力。
-
Retort项目揭示线束变更扭曲了LLM性能指标
Adrian Cockcroft的Retort项目已在各种LLM和编程语言中进行了1000多次评分运行，以评估其性能。该项目的结果表明，测试线束的变化，而不是模型更新，有时会导致已发布的性能指标发生变化。由于测试不完整或数据解释不准确，关于Opus 5和Claude等模型的几项初步结论已被撤回，这强调了在报告结果之前进行彻底验证的重要性。
-
开发者发现自托管 LLM 的问题是配置问题，而非模型缺陷
一位开发者发现，他们自托管的编码模型 Ornith-1.0-35B 表现不佳是由于服务配置不正确，而非模型本身的缺陷。通过分析 LiteLLM 的支出日志，他们发现请求发送时使用了最大的随机参数（temperature 和 top_p 均为 1.0），并且模型的推理能力被禁用。此外，对具有极长上下文的 KV 缓存使用 fp8 精度会导致性能下降。通过调整服务配置，包括 temperature 和启用思考（thinking），并将 KV…
-
Ornith-1.0-35B GGUF 模型通过投机解码嫁接更新
Ornith-1.0-35B 模型的新版本，特别是 GGUF 格式，已通过原生多令牌预测（MTP）投机解码嫁接进行了更新。此次更新将单流解码速度提高了 1.3-1.35 倍，最高可达每秒 233.8 个令牌。该模型保持了 0.073 的低 Kullback–Leibler 散度（KLD），优于 Q4_K_M 量化，并为长上下文场景提供了改进的性能。