Ornith 1.5 122Bとは？Ollamaで動く122B MoEモデルを解説

Ornith 1.5 122Bは、Ornith Teamが2026年10月20日に公開した122BのMixture-of-Experts（MoE）モデルで、コーディングやエージェント作業を単一の80GB GPUで動かせることを狙った設計が特徴です。Ollamaはこれを自社ライブラリで配布しており、ollama run ornith-1.5:122b のコマンド一発でローカル実行できます。

室谷代表取締役

Ornith 1.5 122Bは、Ornith Teamが2026年10月20日に公開した122BのMoEモデルなんですよね。発表元はOrnith Team（@ornith_）で、Ollamaはそれをランタイムとして配布している側です。

Ollamaのライブラリに載ったことで、ollama run ornith-1.5:122b の一発でローカルに落として動かせるようになった、という整理です。

テキトー教師DotAI 認定講師

そこは誤解されやすいところで、単に「Ollamaが新しいモデルを出した」という話じゃないんですよ。モデルを作って公開したのはOrnith Teamで、Ollamaは実行環境として提供している。

この主語の違いは講座でもよく指摘するんですけど、実務では「誰がモデルの責任を持つのか」を分けて考えるうえで大事なんです。

室谷代表取締役

ちなみにOrnith 1.5ファミリーは、9B・35B-A3B・397Bが2026年8月19日に先行リリースされていて、122Bはその追加という位置づけなんですよね。ファミリーの一番「能力が高く効率的なメンバー」とモデルカードに書かれていて、単一GPU展開を前提にした122Bというのが今回の主役です。

テキトー教師DotAI 認定講師

そうですね。ファミリー全体の設計思想も面白くて、Ornith 1.5は「自己スキャフォールディングから自己改善へ」という論文タイトルが付いていて、モデルが自分でタスクを提案し、タスク固有の足場（scaffold）を作り、解のロールアウトを生成して強化学習を回すというループを特徴としています。

この辺りは後半で詳しく触れましょう。

Ornith 1.5 122Bとは？Ollamaで登場した122B MoEモデルの概要

室谷代表取締役

まず基本スペックを整理すると、122BのMoEで、Hugging Face上のモデルサイズ表記は125B params、BF16、アーキテクチャはQwen3_5MoeForConditionalGeneration。コンテキスト長は262,144トークンで、YaRNのRoPEスケーリングをfactor 4.0で使うと約1Mトークンまで拡張できるとされています。

テキトー教師DotAI 認定講師

MoEというのは、入力ごとに一部のパラメータだけを使う方式ですよね。総パラメータ数が大きくても計算負荷を抑えられるので、122Bというサイズでも単一の80GB GPUに載る設計にできる、という説明の流れです。

モデルカードにも「単一の80GB GPUでservingできる」と明記されています。

室谷代表取締役

あと見逃せないのがマルチモーダル対応で、Hugging Faceのタグにはimage-text-to-textが付いていて、Transformersのサンプルも画像＋テキストの入力例になっているんですよね。Ollamaのライブラリページでもvision・tools・thinkingのタグが付いています。

テキストだけのモデルだと思って触ると面食らうかもしれません。

テキトー教師DotAI 認定講師

推論モデルでもあるので、デフォルトではアシスタントのターンが <think> … </think> ブロックから始まるんですよ。vLLMやSGLangのレシピではreasoning parserを有効にして、思考の連鎖をreasoning_contentフィールドに分離して返す構成が案内されています。

ここを知らないと「変なタグが出てきた」となりがちです。

室谷代表取締役

Ollama側の配布物は73GBで、更新は2時間前、ダウンロード数は406.2Kと表示されていました。パラメータ設定はnum_ctx 262144、temperature 0.6、top_k 20、top_p 0.95。

ライセンスファイルはMIT Licenseで、著作権表記は2026 deepreinforce.aiとなっています。

テキトー教師DotAI 認定講師

ここまでの情報を整理するとこうです。

• モデル名: Ornith-1.5-122B（Hugging Face: ornith-ai/Ornith-1.5-122B）
• 構成: MoE 122B（モデルサイズ表記125B params、BF16）
• 公開日: 2026年10月20日
• コンテキスト長: 262,144トークン（YaRN factor 4.0で約1Mへ拡張可能）
• 入力: テキスト＋画像（image-text-to-text）
• ライセンス: MIT
• Ollama配布サイズ: 73GB
• 実行コマンド: ollama run ornith-1.5:122b

室谷代表取締役

ちなみにOllamaのライブラリページには9b・35b・122b・397bのタグが並んでいて、ファミリーとして選べるようになっているんですよね。122Bだけが特別扱いというより、サイズ展開の一つとして同じ導線に置かれている印象です。

Ornith 1.5 122Bでできること——コーディング・エージェント性能をベンチマークで確認

室谷代表取締役

ここが一番気になるポイントだと思うんですけど、モデルカードのベンチマーク表がかなり細かいんですよ。SWE-bench Verified（non-hack）が84.5、SWE-bench Pro（no-hack）が76.9、SWE-bench Multilingual（non-hack）が76.4、TerminalBench 2.1が81.2、CyberGymが80、NL2Repoが51.2という数字が並んでいます。

テキトー教師DotAI 認定講師

エージェント系だとHLE（with tools）が48、HLE（w/o tools）が37.68、BrowseCompが78.5、MCP-Atlasが74.6、Toolathlon-Verifiedが70.8、WideSearchが75.2、ClawEvalが79.4、SciCodeが53.8ですね。これらはすべて発表元の主張であって、独立検証ではない点は押さえておく必要があります。

室谷代表取締役

比較表にはQwen3.8-Flash-Next（125B）、Qwen3.8（27B dense）、Nemotron 3.5 Super VL（120B）、DeepSeek-V4-Flash-0731（284B）、Beam（501B）が並んでいるんですよね。例えばSWE-bench Verified（non-hack）だとOrnithが84.5でQwen3.8-Flash-Nextが82.8、Nemotron 3.5 Super VLが61.2。

CyberGymはOrnithが80でQwen3.8-Flash-Nextが78、Nemotronが34。

テキトー教師DotAI 認定講師

ただしTerminalBench 2.1だけ見るとOrnithが81.2で、Qwen3.8-Flash-Nextが83.4、DeepSeek-V4-Flash-0731が82.7と上なんですよ。全部で勝っているわけではないので、表は項目ごとに読む必要があります。

HLE（with tools）もOrnithが48に対してDeepSeek-V4-Flash-0731が50.8、Beamが51.1です。

室谷代表取締役

そうなんですよね。モデルカードの主張は「同サイズ帯のオープンソースモデルの中で最先端」という線であって、全ベンチマークで他社を上回るという話ではない。

ここは正確に伝えないと誤解を生みます。

テキトー教師DotAI 認定講師

評価条件も細かく書かれていて、Terminal-Bench 2.1はClaude Code 2.1.126でparser=json、temperature=1.0、top_p=1.0、max_new_tokens=131072、5回の平均。SWE-Bench系はOpenHandsハーネスでtemperature=1.0、top_p=0.95、256Kコンテキスト。

報酬ハッキング対策として、モデルに潜在的なreward-hacking行動を明示して避けるよう指示し、それでも該当した解は不正解とする運用まで書かれています。

室谷代表取締役

NL2Repoはtemperature=1.0、top_p=1.0、400Kコンテキスト、48K出力で、指定GitHubリポジトリとpipパッケージへのアクセスをブロックしてreward hackingを防いでいる。HLEはClaude 4.6 Opusをジャッジに、MCP-AtlasはClaude 4.8 Opusをジャッジに使ったと記載されています。

テキトー教師DotAI 認定講師

つまり、数字の出し方まで公開されているわけです。受講生さんにも「ベンチマークは条件を読んでから比較しましょう」と伝えているんですけど、まさにその教材になるような詳細さですね。

室谷代表取締役

あと地味に重要なのが「出力が短い」という訴求なんですよ。モデルカードに「finishes tasks faster, and produces shorter outputs」とあって、強さと速さのトレードオフがないという主張につながっています。

エージェント用途だと出力の冗長さがそのままコストと時間になるので、そこを売りにしているのは実務目線では刺さります。

Ornith 1.5 122Bの使い方・始め方——OllamaコマンドとHugging Face/vLLMでの実行

室谷代表取締役

一番手軽なのはOllamaで、ollama run ornith-1.5:122b の一発です。OllamaのライブラリページにはCLI・cURL・Python・JavaScriptのタブが用意されていて、MLXとLLAMACPPの記載もあります。

テキトー教師DotAI 認定講師

きちんとサーブしたい場合はvLLMかSGLangですね。モデルカードのレシピではvLLMが0.19.1以上、SGLangが0.5.9以上、Transformersが5.8.1以上と指定されています。

古いランタイムだと動かないので、まずバージョンを確認するのが第一歩です。

室谷代表取締役

vLLMのコマンドはこうなっています。

vllm serve ornith-ai/Ornith-1.5-122B --served-model-name Ornith-1.5-122B \
  --host 0.0.0.0 --port 8000 --max-model-len 262144 \
  --gpu-memory-utilization 0.90 --enable-prefix-caching \
  --enable-auto-tool-choice --tool-call-parser qwen3_xml \
  --reasoning-parser qwen3 --trust-remote-code

テキトー教師DotAI 認定講師

SGLang側はこうです。

python -m sglang.launch_server --model-path ornith-ai/Ornith-1.5-122B \
  --served-model-name Ornith-1.5-122B --host 0.0.0.0 --port 8000 \
  --context-length 262144 --mem-fraction-static 0.85 \
  --tool-call-parser qwen3_coder --reasoning-parser qwen3

室谷代表取締役

どちらもOpenAI互換のサーバーが立つので、openaiのPython SDKでbase_urlを[http://localhost:8000/v1に向ければそのまま叩けるんですよね。api_keyはローカルサーバーならEMPTYでよいと書かれています。

reasoning_contentに思考、contentに最終回答が入る構成です。](http://localhost:8000/v1%E3%81%AB%E5%90%91%E3%81%91%E3%82%8C%E3%81%B0%E3%81%9D%E3%81%AE%E3%81%BE%E3%81%BE%E5%8F%A9%E3%81%91%E3%82%8B%E3%82%93%E3%81%A7%E3%81%99%E3%82%88%E3%81%AD%E3%80%82api_key%E3%81%AF%E3%83%AD%E3%83%BC%E3%82%AB%E3%83%AB%E3%82%B5%E3%83%BC%E3%83%90%E3%83%BC%E3%81%AA%E3%82%89EMPTY%E3%81%A7%E3%82%88%E3%81%84%E3%81%A8%E6%9B%B8%E3%81%8B%E3%82%8C%E3%81%A6%E3%81%84%E3%81%BE%E3%81%99%E3%80%82reasoning_content%E3%81%AB%E6%80%9D%E8%80%83%E3%80%81content%E3%81%AB%E6%9C%80%E7%B5%82%E5%9B%9E%E7%AD%94%E3%81%8C%E5%85%A5%E3%82%8B%E6%A7%8B%E6%88%90%E3%81%A7%E3%81%99%E3%80%82)

テキトー教師DotAI 認定講師

ツール呼び出しも標準で扱えて、toolsを渡すとtool_callsフィールドにパースされる。エージェントフレームワークから見ると普通のOpenAI互換エンドポイントとして使えるわけです。

モデルカードにはOllama、llama.cpp、Atomic.chat、Hermes Agent、OpenClaw、Unsloth Studio、OpenCodeといった連携例が並んでいます。

室谷代表取締役

サンプリング設定もタスク別に指定されていて、一般タスクはtemperature=1.0、top_p=0.95、top_k=20、min_p=0.0、presence_penalty=1.5、repetition_penalty=1.0。正確なコーディング作業はtemperature=0.6、top_p=0.95、top_k=20、min_p=0.0、presence_penalty=0.0、repetition_penalty=1.0です。

Ollama側のデフォルトはtemperature 0.6、top_k 20、top_p 0.95、num_ctx 262144でした。

テキトー教師DotAI 認定講師

長文コンテキストを使うときは注意が必要で、YaRNは静的実装なので全リクエストに同じスケーリング係数が適用されるんですよ。通常長の入力では品質がわずかに落ちる可能性があるので、本当に長い窓が必要なときだけ有効化して、factorは必要な長さに合わせる。

524,288トークンまでならfactor 2.0が良いと書かれています。

室谷代表取締役

有効化の方法は2つで、config.jsonにrope_scalingブロックを足すか、起動時にフラグで上書きするか。vLLMならVLLM_ALLOW_LONG_MAX_MODEL_LEN=1と--hf-overrides、SGLangならSGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=1と--json-model-override-argsを使う形です。

テキトー教師DotAI 認定講師

量子化版については、Hugging FaceのモデルツリーにQuantizationsとして5モデルが表示されていて、llama.cpp・Ollama・LM Studioで使うならQuantizationsを見るよう案内されています。GGUFはornith-ai/Ornith-1.5-122B-GGUFとして公開予定である旨がモデルカードに書かれています。

室谷代表取締役

モバイル向けにはOrnith-1.5-122B-Mobileという量子化バリアントが言及されていて、モデルカードでは「edge-deployable on mobile devices」と説明されています。ただし122Bそのものがスマホで動くという話ではなく、あくまで量子化された別バリアントの話です。

Ornith 1.5 122Bの必要スペックとローカル実行の現実味——単一GPU・73GB配布の意味

室谷代表取締役

ここが実運用の分かれ目なんですけど、モデルカードには「MOE 122B model, so it serves on a single 80GB GPU」と明記されています。NVIDIA DGXカード1枚で動くというのが発表元の主張です。

テキトー教師DotAI 認定講師

つまり80GB級のGPUメモリが事実上の前提なんですよ。Ollamaの配布物が73GBというのも、この規模感と整合します。

手元のノートPCで気軽に、という類のモデルではないわけです。

室谷代表取締役

ただOllamaはMLXとLLAMACPPの記載もあるので、量子化版を使えばもう少し現実的な環境でも試せる可能性はあります。ただし、どの量子化がどのメモリ量で動くかの具体的な要件は、今回の資料では明らかにされていません。

テキトー教師DotAI 認定講師

ここは受講生さんからよく聞かれるところなんですけど、「128GBメモリのマシンで動くのか」という問いに公式が何GB必要と明言しているわけではないんですよね。単一80GB GPUという設計値と、73GBという配布サイズまでは資料から言えますが、それを超える推測はできません。

室谷代表取締役

複数GPUに分散したい場合は、vLLMの--tensor-parallel-size、SGLangの--tpでシャーディングできると書かれています。単一GPUが前提だけど、増やすことも可能という設計ですね。

テキトー教師DotAI 認定講師

実務的には、まず単一80GB GPUで動かして、コンテキストを262,144まで使うなら--gpu-memory-utilization 0.90や--mem-fraction-static 0.85のようなメモリ配分を調整する、という流れになるでしょうね。長文を扱うほどKVキャッシュが効いてくるので、そこは試行錯誤が必要です。

室谷代表取締役

MYUUUでもこういう大型モデルを触るときは、まず「動く環境があるか」を先に確認するんですよね。モデルの性能表を見てから「うちのGPUで入るかな」と焦るのが一番もったいないので。

Ornith 1.5ファミリーの全体像——9B/35B-A3B/122B/397Bの違いと選び方

室谷代表取締役

ファミリーの構成を整理すると、397B MoE、35B MoE、9B Denseの3スケールが2026年8月19日にリリースされて、122Bが2026年10月20日に追加されたという流れです。Ollamaのライブラリには9b・35b・122b・397bのタグが並んでいます。

テキトー教師DotAI 認定講師

公式ブログの説明では、397BはTerminal-Bench 2.1で86.1、DeepSWEで56.0を記録し、Claude Opus 4.8（85.0と59.0）と同等だと主張されています。同規模のオープンソースではGLM-5.2（82.7と46.2）やDeepSeek-V4-Flash-0731（82.7と54.4）を上回るとされています。

室谷代表取締役

35Bはトークンあたり3Bパラメータしか活性化しないMoEで、Terminal-Bench 2.1が68.5、SWE-Bench Verifiedが79.0。比較対象のGemma 4-31Bが43.4と52.0、MetaのMuse Glimmer-30Bが51.7と76.0とされています。

テキトー教師DotAI 認定講師

9Bはエッジ向けで、Terminal-Bench 2.1が47.0、SWE-Bench Verifiedが70.6。量子化されたOrnith-1.5-9B-MobileはiPhoneやAndroidに展開できると書かれていて、Gemma 4-31BやQwen 3.6-35Bといったより大きなモデルを大きく上回ると主張されています。

室谷代表取締役

選び方としては、スマホやエッジなら9B、単一GPUでバランスを取りたいなら35B-A3Bか122B、フラッグシップの性能が要るなら397B、という整理になるんでしょうね。122Bは「単一DGXカードで frontier-level」というポジションです。

テキトー教師DotAI 認定講師

ただし35B-A3Bと122Bの具体的なベンチマーク比較表は、今回の資料では122Bの比較表に35Bが入っていないんですよ。だから「122Bは35Bよりどれだけ凄いか」を数値で語ることはできません。

ここは正確に押さえておきたいところです。

室谷代表取締役

そうなんですよね。ファミリーの説明は公式ブログに、122Bの詳細はモデルカードにと、情報の置き場所が分かれているので、突き合わせて読む必要があります。

Ornith 1.5 122Bのライセンスと料金——MITオープンウェイトで商用利用は可能か

室谷代表取締役

ライセンスはMITです。Hugging FaceのモデルカードにLicense: mitとあり、Ollamaの配布物にもMIT License、Copyright (c) 2026 deepreinforce.aiのファイルが含まれています。

オープンウェイトとして公開されています。

テキトー教師DotAI 認定講師

MITライセンスなので、ライセンス条文の範囲で商用利用や改変がしやすい条件です。ただし、これはあくまでライセンスの種類の話で、実際の商用利用の判断は自社の法務確認が必要です。

そこは講座でも必ず言うようにしています。

室谷代表取締役

料金については、モデル自体はオープンウェイトで無償で入手できる形です。Ollamaのライブラリからも取得できます。

ただし、それを動かすGPUのコストは当然かかります。80GB級のGPUを用意するコストと、API経由で呼ぶコストを比べるのが実務的な判断になるでしょうね。

テキトー教師DotAI 認定講師

今回の資料にはAPIの従量課金やホスティング料金の記載はありません。Hugging Faceのページにも「This model isn't deployed by any Inference Provider」と表示されていて、推論プロバイダー経由での提供は現時点ではない状態です。

室谷代表取締役

日本から使えるかという点も、ローカルで動かすモデルなので地域制限の話にはなりにくいですが、ライセンス条文の確認は必要です。あと、モデルカードのダウンロード数が32（last month）と少ないので、これから検証が積み上がっていく段階なんだろうなと。

テキトー教師DotAI 認定講師

設計思想の「自己改善ループ」も、ライセンスと合わせて押さえておきたいですね。Ornith 1.5は、モデルが新しいタスクを提案し、タスク固有のスキャフォールドを生成し、解のロールアウトを出して強化学習する。

タスク報酬は妥当性・フロンティア難度・新規性の3つの積で定義され、妥当性が0なら報酬も0になるハードゲート、難度は成功率が目標0.2に近いほど高報酬、新規性は既存タスクとの類似度で減衰する設計です。

室谷代表取締役

人間がキュレーションした固定タスクと手設計のハーネスに頼らず、自分でカリキュラムを広げていくという思想なんですよね。この辺りはモデルの「賢さ」だけでなく、学習のさせ方そのものを売りにしているのが面白いところです。

よくある質問

室谷代表取締役

最後に、よく聞かれる点をまとめておきましょうか。

テキトー教師DotAI 認定講師

まず「Ornith 1.5 122Bは無料で使えるのか」ですが、モデルはMITライセンスのオープンウェイトとして公開されていて、Ollamaからも取得できます。ただし実行には単一80GB GPUが前提とされているので、ハードウェア側のコストは別途かかります。

室谷代表取締役

「日本から使えるか」については、ローカル実行のモデルなので地域制限の話にはなりにくいですが、ライセンス条文の確認は必要です。APIの提供状況は現時点では明らかにされていません。

テキトー教師DotAI 認定講師

「GGUFや量子化版はあるのか」については、Hugging FaceのモデルツリーにQuantizationsとして5モデルが表示されていて、llama.cpp・Ollama・LM Studioで使う場合はそこを見るよう案内されています。GGUFはornith-ai/Ornith-1.5-122B-GGUFとして公開予定とモデルカードに書かれています。

室谷代表取締役

「128GBメモリのマシンで動くのか」は、公式が何GB必要と明言しているわけではないので、現時点では明らかにされていません。単一80GB GPUという設計と、Ollama配布物が73GBという事実までは確認できます。

テキトー教師DotAI 認定講師

「Qwen系と比べてどうか」は、モデルカードの比較表にQwen3.8-Flash-Next（125B）やQwen3.8（27B dense）の数値が載っています。ただしこれは発表元による評価で、独立検証ではありません。

項目ごとに勝敗が分かれる点も含めて読むべきです。

室谷代表取締役

「397Bや35Bとどう違うのか」は、397BがTerminal-Bench 2.1で86.1、35Bが68.5、122Bが81.2という数値が資料にあります。ただし35Bと122Bの直接の比較表は今回の資料にはないので、そこは注意が必要です。

テキトー教師DotAI 認定講師

まとめると、Ornith 1.5 122Bは「単一80GB GPUで動く122B MoE」「MITライセンスのオープンウェイト」「Ollamaでコマンド一発」という3点が実務判断の軸になるモデルですね。ベンチマークは発表元の主張であることを踏まえて、自社のユースケースで検証するのが良さそうです。

室谷代表取締役

そうですね。まずはOllamaで触ってみて、自分のタスクでどう動くかを見るのが一番早いと思います。