训练一个会写代码的模型，最贵的已经不是显卡，而是题目。光有题和答案不够，还得配一套能跑的环境、一份判得了对错的测试，还得防着模型翻旧提交抄答案。难度也不能瞎给：太简单什么都学不到，太难一道都不会做、攒不下正确轨迹，等于白烧一轮算力。过去这活一直靠人干——慢、贵、还供不上。
这个月，开源模型团队 Ornith 把「出题」这件事交还给了模型自己：模型自己生成训练任务、自己搭解题脚手架、自己跑解题轨迹，三段一起丢进强化学习。
发生了什么
今年 8 月，Ornith 一口气放出 397B MoE、35B MoE 和 9B Dense 三档权重，全部 MIT 许可。训练流程里多了一个前所未有的环节：模型自己生成训练任务，自己搭解题脚手架，自己跑解题轨迹，三段一起丢进强化学习——出题这件事，从人手里交还给了模型。
数字涨得很快。Terminal-Bench 2.1 上，两个月前 1.0 是 77.5，这次的 397B 跑到 86.1，涨了 8.6 个点（约 11%）。同一张表里，Ornith 给出 Claude Opus 4.8 的成绩是 85.0——一个随便下载的 MIT 权重，排到了闭源旗舰前面。版本号也很有意思：1.0 学「怎么解」，1.5 学「练什么」，后者才是原来人做的瓶颈。
核验缺口
但故事在这里分岔。86.1 是自报数字：Ornith 在自己环境、自己配置下跑出来的，官网注明取五次独立运行的平均值。Terminal-Bench 2.1 另有一张官方核验榜单，每条结果由榜单团队亲自复跑核验后才挂上去。截至 8 月 19 日共 17 项，里面没有 Ornith-1.5。同一个 Opus 4.8，官方核验是 78.9%、排第 5（榜首是 Claude Code + Fable 5 的 83.8%），Ornith 表里却是 85.0——同一模型，两张表差 6.1 分。
原因在于智能体基准测的是组合：模型 + 脚手架 + 超时 + 上下文 + 资源配置。换一套配置，分数的含义就变了，所以官方榜单明令禁止改超时和资源配置。这个「谁来核验」的问题，本周在另一个战场也出现了——AI 用近百万行 Lean 代码核验数学证明，验证者的身份正在成为能力的组成部分。
为什么这是信号
这件事底下藏着两个结构变化。第一，数据墙开始「自助」了：训练最稀缺的输入，正从人工标注数据转向算力加验证器质量。模型能自己生成课程，开源团队就能绕开人工标注的供给瓶颈，把 AlphaGo 的自对弈原则搬进最卷的编码榜单——这也和本周算力集中度上升的判断互为印证，最终拼的是算力与验证闭环的复合能力。第二，榜单可信度本身成了战场：自报分和核验分能差 6 分，「谁测的、用什么配置测的」就不再是脚注——官方核验榜单正在变成真正的硬通货。
怎么做
落到行动上：选型先看官方核验榜而不是厂商表格，追问任何分数的脚手架与配置；买前要求在你自己的环境复跑；做训练的话，自生成课程已被验证为可复制的数据工程范式，护城河正从题库存量转向验证器与评测环境的质量。
结论不是「开源赢了」，也不是「数字是假的」，而是：AI 开始自己生产训练材料了，而行业的度量体系正在追赶这个事实。
