DeepReinforce ha lanzado Ornith-1.0, el primer modelo open-weight explícitamente diseñado para agenticidad en coding. Disponible en cuatro versiones (de 9B a 397B parámetros, densas y MoE), está construido sobre Gemma 4 y Qwen 3.5, con licencia MIT. El modelo aprende a construir autónomamente el scaffold — la estructura de búsqueda y los pasos intermedios — que guía la solución de tareas complejas de coding. Lo hace con reinforcement learning: no solo genera código, sino el camino para llegar a él.

En benchmarks agentivos (SWE-bench Verified, Terminal-Bench 2.1, NL2Repo), Ornith-1.0 supera a los modelos abiertos de tamaño comparable. El modelo de 35B, por ejemplo, resuelve el 75,6% de las tareas de SWE-bench Verified frente al 70% de Qwen3.5-35B (junio de 2026). El 397B rivaliza con los modelos propietarios de frontera.

Por qué te importa: hasta ahora, los agentes de coding de alto rendimiento requerían o APIs propietarias o modelos abiertos generalistas adaptados internamente. Ornith-1.0 es el primer lanzamiento pensado para ejecutarse localmente, con una licencia que no impone restricciones regionales o comerciales, y que escala desde una laptop (el 9B funciona en GGUF cuantizado) hasta clusters. Si construyes herramientas que automatizan coding en bases de código reales — refactoring, análisis de repositorios, generación de tests — ahora tienes una alternativa abierta diseñada específicamente para ese caso de uso.

Dónde mirar: el repositorio de GitHub contiene los benchmarks y los enlaces a los pesos. Una sesión de pruebas pública con el 35B cuantizado en LM Studio muestra el modelo navegando un repositorio Datasette con múltiples llamadas a herramientas y dibujando un pelícano en SVG (a 103 tokens/s). DeepReinforce es una realidad nueva: su primer paper es de junio de 2025.