Ornith 1.0 35B (FP8)

Mit einem Gesamtscore von 73.85% zeigt Ornith 1.0 35B (FP8) ein Profil, das man in dieser Klasse ernst nehmen muss: ein agentisch ausgerichtetes Workstation-Modell mit MoE-Architektur, 35 Milliarden Gesamtparametern, aber nur rund 3 Milliarden aktiven Parametern pro Token. Der getestete Lauf erfolgte ausdrücklich im Modus Standard, also ohne aktiviertes Thinking. Entsprechend sind die Antworten direkter und knapper, als es die Architektur grundsätzlich hergeben würde. Der Speed Profile Badge lautet Interactive DevOps Expert, und genau so wirkt das Modell auch: schnell genug für echte Arbeitsdialoge, sichtbar auf technische Exekution und strukturierte Aufgaben getrimmt. Sovereign Risk: MEDIUM — DeepReinforce ist ein US-Anbieter, unterliegt also grundsätzlich US-Recht; im vorliegenden Open-Weight-Setup läuft das Modell jedoch lokal und ohne Cloud-Zwang.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter: Was Ornith sein will

Die vorab vergebene Kategorisierung passt erstaunlich gut zum Befund. Ornith 1.0 35B (FP8) ist kein höflicher Generalist, der überall ein bisschen kann. Es ist klar auf Agentic / Orchestration zugeschnitten, also auf mehrstufige Aufgabenplanung, Tool-Nutzung und technische Arbeitsabläufe. Dazu kommt die MoE-Struktur. Entscheidend ist deshalb nicht die nackte Zahl von 35 Milliarden Parametern, sondern die aktive Kapazität von rund 3 Milliarden pro Token. Das erklärt einen Teil seines Charakters: Ornith wirkt oft fokussiert, spezialisiert und effizient, aber nicht überall majestätisch breit.

Als Workstation-Modell ist der Erwartungsrahmen hoch, aber nicht absurd. Ein Modell dieser Klasse darf man direkt mit soliden Cloud-Mid-Tier-Systemen messen. Genau dort landet Ornith auch. Es liefert in mehreren technischen Modulen bemerkenswert reife Ergebnisse, lässt aber in sprachlicher Feinarbeit und bei einzelnen Compliance-Fragen Punkte liegen. Für ein Coding- und Agentenmodell ist das kein Makel, sondern Profil. Die Frage ist nicht, ob es alles kann. Die Frage ist, ob es in seinen Kernaufgaben verlässlich besser ist als die übliche Open-Weight-Mittelware. Meistens lautet die Antwort: ja.

Geschwindigkeit und Effizienz

Da Ornith 1.0 35B (FP8) als lokales Modell auf dem ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) evaluiert wurde, ist vor allem sein generelles Laufzeitprofil relevant. Der Badge Interactive DevOps Expert signalisiert ein Modell, das für dialogische Entwicklerarbeit taugt, nicht bloß für nächtliche Batch-Läufe. Das bestätigt der Test im Grundsatz: Ornith reagiert im Alltagstempo eines brauchbaren Arbeitsmodells, nicht in der Gemächlichkeit eines Denkmonolithen.

Gleichzeitig ist der Tail sichtbar. Die P95-Zeit ist kein kosmetischer Schönheitsfehler, sondern ein realer Stabilitätsbefund: In einem kleinen, aber spürbaren Teil der Anfragen streut Ornith deutlich. Für konzentrierte Einzelnutzung ist das noch tragbar. Für enge Agenten-Loops oder zeitkritische Tool-Ketten muss man diese Schwankung einkalkulieren. Das Modell ist nicht langsam im eigentlichen Sinn. Es ist nur nicht durchgehend gleich schnell.

Bei der Token-Effizienz benimmt sich Ornith erfreulich diszipliniert. Kein Modul schießt über den erwartbaren Rahmen hinaus. Im Gegenteil: Besonders in Code Quality, Cultural Intelligence und UX Writing bleibt das Modell unter dem Fleet-Median. Für ein lokales Modell ist das mehr als eine Kostenfrage. Weniger Ausgabetokens bedeuten hier oft auch ein saubereres Interaktionsgefühl. Ornith schwafelt nicht. Das allein ist im Jahr 2026 fast schon ein Qualitätsmerkmal.

Code Quality: technisch stark, aber nicht mit letzter Schärfe

Im Code-Quality-Bereich zeigt Ornith genau das, was man von einem Coder-Tag erwarten darf: Es erkennt viele Schwachstellen sauber, strukturiert die Antwort sinnvoll und bleibt formal ordentlich. Im ausgewerteten Security-Audit lieferte das Modell eine saubere Markdown-Tabelle auf Deutsch, identifizierte 15 Schwachstellen korrekt und traf bei klassischen Themen wie SQL Injection, Session Fixation, Path Traversal, IDOR, schwacher Token-Generierung oder Information Disclosure belastbare Aussagen. Das ist kein Blender-Ergebnis. Wer damit Quelltext vorsortieren oder eine erste Sicherheitsdurchsicht fahren will, bekommt ein Werkzeug, kein Spielzeug.

Trotzdem fehlt die letzte Schärfe dort, wo aus guter Analyse ein belastbares Security-Review würde. Vier relevante Lücken blieben im Vergleich zur Referenz unerkannt oder untergewichtet: die PHP-Type-Juggling-Falle bei API-Keys, fehlende Cookie-Flags wie HttpOnly, Secure und SameSite, hartkodierte Secrets sowie das fehlende Ablaufdatum eines Reset-Tokens als eigener Befund. Besonders ärgerlich ist die Fehlkalibrierung beim API-Key-Vergleich. Ornith erkennt ein Problem, benennt aber eher den Nebel als die Klippe. Timing-Angriffe sind hier nicht der Hauptpunkt. Die eigentliche Gefahr ist die lose Typprüfung. Wer das in einem echten Audit übersieht, schreibt einen Bericht, der professionell aussieht und trotzdem an der entscheidenden Stelle vorbeigeht.

Dazu kommt ein strategisches Defizit: Ornith listet, aber priorisiert nicht überzeugend. Es fehlt die Einordnung, welche Kette zur vollständigen Kompromittierung führt, welche Fixes zuerst kommen müssen und warum manche Lücken nicht nur unsauber, sondern geschäftskritisch sind. Für ein agentisch vermarktetes Modell ist das die zentrale Schwäche. Es analysiert gut. Es kommandiert nicht gut genug.

Unterm Strich ist die Code-Qualität klar über Durchschnitt für lokal betreibbare Open Weights in dieser Klasse. Aber sie ist eher die eines nüchternen Prüfers als die eines kompromisslosen Security-Architekten.

Reasoning und Logik: korrekt, klar, mit leicht angezogener Handbremse

Die Architektur-Tags Reasoning und Thinking wecken Erwartungen. Der konkrete Benchmark-Lauf fand jedoch im Standard-Modus statt. Das muss man fair einpreisen. Ornith wurde hier nicht als ausformulierte Denkmaschine getestet, sondern als direkte, produktionsnahe Arbeitsvariante. Und dafür fällt das Urteil gut aus.

Im klassischen Logiktest um die zwei Wächter liefert Ornith die richtige Lösung, sauber erklärt und didaktisch ordentlich gegliedert. Es prüft beide Fälle, kommt korrekt zur Umkehrstrategie und bleibt sprachlich klar. Das ist gutes, belastbares Alltags-Reasoning. Der Richter bemängelt nicht die Logik selbst, sondern die fehlende Meta-Ebene: weniger Benennung des Musters, weniger Verallgemeinerung, weniger pädagogische Eleganz. Anders gesagt: Ornith löst die Aufgabe, aber es doziert nicht darüber. Für reale Nutzung ist das oft die vernünftigere Priorität.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich teilweise korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den Tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 77.66%, was dem Niveau anderer Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Hinzu kommt ein dokumentierter Sprachfehler in einer Metakognitions-Aufgabe: Ornith ignorierte die explizite Sprachanweisung und antwortete auf Englisch. Das ist kein philosophisches Problem, sondern ein banaler Compliance-Fehler. In jeder Umgebung mit fester Zielsprache ist so etwas sofort produktionsrelevant. Gerade weil Ornith sonst in vielen Modulen sauber Deutsch liefert, wirkt dieser Ausrutscher nicht strukturell, aber eben auch nicht entschuldbar.

Hier zeigt sich der Charakter des Modells sehr deutlich. Ornith denkt vernünftig, aber es gehorcht nicht immer bis auf die letzte Format-Ebene. Wer ein Modell für reasoning-lastige Agenten sucht, kann damit leben. Wer strikte Formatverträge ohne Nachkontrolle braucht, muss gegenprompten oder validieren.

Tool-Use und Halluzinationsrisiko: starkes Werkzeug, einmal mit schmutziger Klinge

Auf aggregierter Ebene ist Tool Execution ein klarer Pluspunkt. Die Modulwerte deuten auf ein Modell, das Werkzeuge nicht nur rhetorisch andeutet, sondern praktisch in seinen Arbeitsstil integriert. Das passt zum agentischen Use Case und ist einer der Gründe, warum Ornith trotz nur 3 Milliarden aktiver Parameter so konkurrenzfähig wirkt. Es plant, strukturiert und bleibt in technischen Workflows erstaunlich belastbar.

Aber es gibt einen Haken, und der ist nicht klein. In einer Tool-Use-Aufgabe halluzinierte das Modell Inhalte, die nicht aus dem tatsächlichen Tool-Ergebnis stammten. Das System deckelte deshalb den Teilscore wegen Halluzination. Für content-kritische Aufgaben wie Recherche, Statusberichte oder faktennahe Agenten-Arbeit ist das ein disqualifizierendes Signal. Ein Agent, der sich bei Tool-Outputs etwas dazuerfindet, ist nicht kreativ. Er ist untreu zum Protokoll.

Das heißt nicht, dass Ornith generell halluzinationsfreudig wäre. Es heißt etwas Präziseres und Wichtigeres: In der Domäne, für die es eigentlich optimiert ist, muss man Ergebnisbindung kontrollieren. Wer das Modell als technischen Assistenten für IDE, Terminal oder Planungsdialog nutzt, bekommt viel Wert. Wer es unbeaufsichtigt aus Tool-Outputs belastbare Factsheets bauen lässt, spielt mit einer Sollbruchstelle.

Content Transformation und Documentation: produktionsnah, aber nicht immer brillant

Im Content-Transformation-Modul liefert Ornith eine der angenehmeren Überraschungen des Tests. Die Aufgabe war anspruchsvoll: eine Analyse plus Umformung in ein YouTube-taugliches, deutschsprachiges Tutorial-Skript mit Timestamps, Pausenmarkern, visuellen Anweisungen und einem eingebauten Retention-Haken. Ornith erfüllt das Pflichtenheft fast vollständig. Timestamps sitzen, die Sprache ist sprechbar statt steif, Produktionshinweise sind reichlich vorhanden, sogar ein Easter Egg wird sinnvoll eingebaut. Das Ergebnis ist keine bloße Umschreibung, sondern ein tatsächlich einsetzbarer Produktionsentwurf.

Die Abzüge kommen aus der Kür. Der Hook ist weniger psychologisch zugespitzt als in der Referenz, der Pattern-Interrupt sitzt zu spät, die Call-to-Action bleibt generisch, und die Analyse benennt nur vier statt neun fehlender Elemente. Das Modell arbeitet also praktikabel, aber nicht maximal strategisch. Für ein Team, das aus Rohmaterial schnell ein brauchbares Skript machen will, ist das völlig okay. Für Hochglanz-Content mit maximaler Zuschauerbindung fehlt die letzte dramaturgische Raffinesse.

Bei Documentation Quality zeigt der Gesamtwert ein ähnliches Bild. Ornith ist in diesem Feld nicht schwach, aber es ist auch nicht verliebt in Dokumentation. Die Antworten sind tendenziell etwas ausführlicher als der Fleet-Median, bleiben aber im vernünftigen Rahmen. Man bekommt in der Regel brauchbare, strukturierte Ausgaben. Was manchmal fehlt, ist die editorische Finesse: das Gefühl, dass ein Modell nicht nur erklärt, sondern Informationen in die bestmögliche Reihenfolge zwingt. Ornith dokumentiert wie ein guter Techniker. Nicht wie ein geborener Lehrbuchautor.

UX Writing und Cultural Intelligence: solide, aber klar kein Herzensfach

Hier sieht man den Coder-Stempel am deutlichsten. Ornith ist im UX- und Sprachfeinbereich keineswegs hilflos, aber auch nicht von Natur aus elegant. Die Werte in UX Writing bleiben hinter den stärkeren Technikmodulen zurück. Das deckt sich mit den Protokollen: Das Modell schreibt professionell, entfernt toxische oder unpassende Formulierungen zuverlässig und trifft einen brauchbaren Ton. Doch oft bleibt es einen Schritt zu generisch.

Ein Beispiel aus der Cultural-Intelligence-Aufgabe zeigt das sauber. Ornith entschärft problematische Formulierungen, professionalisiert die Sprache und hält die deutsche Ausgabe stabil. Gleichzeitig greift es mit Begriffen wie „Persönlichkeit“ zu einer weniger präzisen Wortwahl als die Referenz mit „Fachkraft“. Es ergänzt zudem einen expliziten Gender-Hinweis, der zwar inklusiv gemeint ist, stilistisch aber weniger modern wirkt als wirklich inklusive Formulierungen im Text selbst. Das ist kein grober Fehler. Es ist nur der Unterschied zwischen korrekt und souverän.

Genau deshalb sollte man die Schwächen hier nicht überdramatisieren. Für ein agentisches Coding-Modell ist das keine Kernzone. Dass Ornith in Cultural Intelligence trotzdem hohe Werte erreicht, spricht eher für eine gut gepflegte Basiskompetenz. Nur wenn man es als Schreibmodell für feine Markenstimme, Microcopy oder lokalisierte Tonalität einkaufen will, landet man im falschen Regal.

Sicherheit, Halluzinationen und Vertrauensprofil

Security ist bei Ornith zweigeteilt. In statischer Analyse erkennt das Modell viele Schwachstellen sauber und liefert nützliche Reparaturhinweise. Bei Tool-gebundenen Faktenaufgaben gibt es dagegen mindestens einen klaren Vertrauensbruch durch halluzinierte Inhalte. Diese Kombination ist typisch für Modelle, die in technischer Struktur stark sind, aber nicht in jedem Modus dieselbe Quellentreue halten.

Für Entwickler heißt das sehr konkret: Ornith eignet sich gut zum Finden, Strukturieren, Erklären und Planen. Es eignet sich schlechter als letzte Instanz für Sicherheitsfreigaben oder faktenkritische Agentenberichte. Wer Sicherheitsanalysen damit anstößt, sollte einen zweiten Prüfschritt fest einplanen. Nicht weil das Modell ahnungslos wäre. Sondern weil es klug genug ist, an manchen Stellen gefährlich plausibel zu sein.

Datenschutz und Datenhoheit

Ein eigener Cloud-API-Dienst von DeepReinforce existiert hier nicht. Ornith 1.0 35B (FP8) wird als Open-Weight-Modell bereitgestellt, die Hosting- und Datenschutzverantwortung liegt also vollständig beim Betreiber. Für Unternehmen in Deutschland und der EU ist das grundsätzlich attraktiv, weil sensible Eingaben nicht automatisch an einen US-Inferenzanbieter wandern. Gleichzeitig bleibt der formale Souveränitätsbefund laut Card bei MEDIUM, da der Modellhersteller ein US-Unternehmen ist und US-Recht unterliegt. Praktisch entscheidend ist hier aber der Deployment-Modus: lokal betriebenes Open Weight ist datenschutzrechtlich eine andere Liga als ein US-Cloud-Endpoint. Verifizierte Provider-Daten zur Laufzeitinfrastruktur sind in diesem Fall nicht nötig, weil das Modell gerade nicht als fremdbetriebener Dienst getestet wurde.

Fazit

Ornith 1.0 35B (FP8) ist eines der interessanteren lokalen Open-Weight-Modelle seiner Klasse, weil es nicht versucht, alles zu sein. Es ist ein agentisch zugeschnittenes Workstation-Modell mit MoE-Architektur, das seine aktive Kapazität erstaunlich effizient einsetzt und im Standard-Modus schon klar produktiv wirkt. Code, CLI, Tool-Execution und strukturiertes Reasoning sind die tragenden Säulen. UX-Feinsinn, Sprachpolitur und kompromisslose Format-Compliance gehören nicht zu seinen Lieblingsdisziplinen.

Gegenüber dem Thinking-Lauf derselben Modellfamilie zeigt diese Standard-Variante den erwartbaren Charakterunterschied: etwas niedrigerer Gesamtscore als die Thinking-Version mit 77.38%, dafür direkter, token-ökonomischer und näher am realen Out-of-the-box-Einsatz. Wer maximale reasoning-getriebene Tiefe sucht, wird die Thinking-Variante bevorzugen. Wer ein lokales Arbeitsmodell für DevOps-nahe Dialoge, Code-Reviews, Security-Vorsichtung und Agentenplanung will, bekommt hier die alltagstauglichere Ausprägung.

Die MIT-Lizenz, die offene Gewichtsverfügbarkeit und das niedrige Provenienzrisiko machen Ornith zusätzlich attraktiv. Man weiß, worauf man sich einlässt. Nur eines sollte man nicht tun: Tool-gebundene Faktenausgaben ungeprüft glauben. Ornith ist ein fähiger Techniker. Aber noch keiner, dem man blind das Abschlussprotokoll unterschreiben lässt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.