DeepReinforce ha rilasciato Ornith-1.0, il primo modello open-weight dichiaratamente progettato per agenticità nel coding. Disponibile in quattro tagli (da 9B a 397B parametri, densi e MoE), è costruito sopra Gemma 4 e Qwen 3.5, con licenza MIT. Il modello impara a costruire autonomamente lo scaffold — la struttura di ricerca e i passi intermedi — che guida la soluzione di task di coding complessi. Lo fa con reinforcement learning: non genera solo codice, ma il modo di arrivarci.

Nei benchmark agentic (SWE-bench Verified, Terminal-Bench 2.1, NL2Repo), Ornith-1.0 batte i modelli aperti di dimensioni comparabili. Il modello da 35B, per esempio, risolve il 75,6% dei task SWE-bench Verified contro il 70% di Qwen3.5-35B (giugno 2026). Il 397B tiene testa ai modelli proprietari di frontiera.

Perché ti riguarda: fino a ieri, gli agenti di coding performanti richiedevano o API proprietarie o modelli aperti generalisti adattati in casa. Ornith-1.0 è il primo rilascio pensato per girare in locale, con una licenza che non pone vincoli regionali o commerciali, e che scala da laptop (il 9B gira in GGUF quantizzato) a cluster. Se costruisci strumenti che automatizzano coding su codebase reali — refactoring, analisi di repo, generazione di test — ora hai un’alternativa aperta progettata per quel caso d’uso.

Dove guardare: il repository GitHub contiene i benchmark e i link ai pesi. Una sessione di test pubblica con il 35B quantizzato in LM Studio mostra il modello che naviga un repo Datasette con tool call multipli e disegna un pelicano in SVG (a 103 token/s). DeepReinforce è una nuova realtà: il loro primo paper risale a giugno 2025.