今天，我们推出了鸟类1.5，这是通过端到端自我改进构建基础模型的重要一步。鸟类1.5将鸟类1.0中引入的自我搭建框架扩展为更完整的自我改进循环：模型提出新任务，生成特定任务的支架，并为强化学习生成解决方案，从而不断创造新的学习体验以供改进。鸟类1.5涵盖了三种模型规模：397B MoE，35B MoE和9B稠密。旨在在推理、代理和编码任务中实现强大的通用智能，鸟类1.5在与同类大小的开源模型的广泛基准测试中实现了最先进的性能。鸟类1.5-397B在Terminal-Bench 2.1上得分86.1，在DeepSWE上得分56.0，与Claude Opus 4.8（85.0和59.0）的性能相当，同时超越了类似规模的领先开源模型，包括GLM-5.2（82.7和46.2）和DeepSeek-V4-Flash-0731（82.7和54.4）。在另一端，鸟类1.5-9B及其量化版本鸟类1.5-9B-Mobile可以轻松部署在iPhone和Android设备上，同时显著超越更大的模型如Gemma 4-31B和Qwen 3.6-35B。在旗舰规模上，鸟类1.5-397B在Terminal-Bench 2.1和DeepSWE上分别获得了86.1和56分，在这两个基准上与Claude Opus 4.8相当，并超越了类似大小的领先开源模型，包括GLM-5.2和DeepSeek-V4-Flash-0731。鸟类1.5-35B在所有编码和代理基准测试中显著超越其类似规模的对手Qwen 3.6-35B，并且尽管每个token仅激活3B参数，但它在代理编码任务上与稠密模型（Gemma 4-31B和Meta的Muse Glimmer-30B）的表现也相差甚远（Terminal-Bench 2.1上68.5对43.4和51.7；SWE-Bench Verified上79.0对52.0和76.0）。能够边缘部署的鸟类1.5-9B也取得了相当强劲的结果，在Terminal-Bench 2.1上获得47.0，在SWE-Bench Verified上获得70.6。尽管是一个紧凑的9B参数模型，但其性能与远大于的模型如Gemma 4-31B和Qwen 3.6-35B相当或超越。通过自我生成任务、支架和解决方案实现自我改进鸟类1.5通过扩展自我改进循环，从支架和实现优化扩展到共同优化任务生成、支架构建和解决方案实施。鸟类1.5不断生成新的训练任务，发现有效的解决策略，并通过强化学习改进政策，而不是依赖固定的人类策划任务和手动设计的支架。每个训练周期分为三个阶段。在给定环境或代码库、有关任务类型的高级指令和访问模型之前的任务解决历史的情况下，系统提出逐渐更难的任务，超越模型已经解决的问题，暴露能力差距并持续推动训练边界。对于每个任务，模型生成或优化一个特定任务的支架——用于接近问题的指令、工具、分解策略和编排。根据任务和支架，政策产生解决方案。在整个三个阶段中，来自实现的奖励被传播，因此系统不仅学习产生更好的解决方案，还学习生成更有用的训练任务并构建更有效的支架。在训练中重复这一过程，形成一个封闭的自我改进循环，其中更强的政策能够生成更困难和更具信息性的任务，演变的支架发现更好的方法来引发模型的能力，更高质量的实现提供越来越有效的学习信号。鸟类1.5持续扩展自己的课程，适应其解决问题的策略，推动推理、编码和代理任务的持续能力提升。任务奖励对于问题→支架→实现的设置，我们使用三个信号定义任务奖励：有效性、边界难度和新颖性。我们让q表示生成的问题，s表示其支架，{ au_i}_{i=1}^{N}表示一组解决方案的实现。我们定义： R_{ ext{task}} = V(q,s) imes D(q,s, au) imes N(q)。这里，V测量生成的任务和支架是否形成有效和可验证的学习环境，D测量基于实现性能，该任务是否接近模型当前的能力边界，而N测量与之前生成或训练过的任务相比的新颖性。乘法的公式鼓励提议者生成同时满足这三种属性的任务：有效、适当。