DeepReinforce a lancé Ornith-1.0, le premier modèle open-weight explicitement conçu pour l’agenticité en codage. Disponible en quatre variantes (de 9B à 397B paramètres, denses et MoE), il repose sur Gemma 4 et Qwen 3.5, sous licence MIT. Le modèle apprend à construire de manière autonome l’scaffold — la structure de recherche et les étapes intermédiaires — qui guide la résolution de tâches de codage complexes. Il le fait par reinforcement learning : il ne génère pas seulement du code, mais la façon de l’obtenir.

Sur les benchmarks agentiques (SWE-bench Verified, Terminal-Bench 2.1, NL2Repo), Ornith-1.0 surpasse les modèles ouverts de taille comparable. La variante 35B, par exemple, résout 75,6 % des tâches SWE-bench Verified contre 70 % pour Qwen3.5-35B (juin 2026). Le 397B rivalise avec les modèles propriétaires de pointe.

Pourquoi cela te concerne : jusqu’à hier, les agents de codage performants nécessitaient soit des API propriétaires, soit des modèles ouverts généralistes adaptés en interne. Ornith-1.0 est le premier lancement pensé pour s’exécuter localement, avec une licence sans restrictions régionales ni commerciales, et qui s’adapte du laptop (le 9B tourne en GGUF quantizzato) aux clusters. Si tu crées des outils qui automatisent le codage sur des bases de code réelles — refactorisation, analyse de dépôts, génération de tests — tu as maintenant une alternative ouverte conçue spécifiquement pour ce cas d’usage.

À consulter : le dépôt GitHub contient les benchmarks et les liens vers les poids. Une session de test publique avec le 35B quantizzato dans LM Studio montre le modèle qui navigue un repo Datasette avec plusieurs appels d’outils et dessine un pélican en SVG (à 103 token/s). DeepReinforce est une structure nouvelle : leur premier paper remonte à juin 2025.