DeepReinforce представила семейство моделей Ornith-1.0 для агентного программирования

Компания DeepReinforce представила Ornith-1.0, семейство open-source моделей для агентного программирования. В линейку входят четыре варианта: 9B Dense, 31B Dense, 35B MoE и флагманская 397B MoE. Все чекпойнты распространяются по лицензии MIT и выложены на Hugging Face. Модели проходят пост‑обучение поверх уже обученных Gemma 4 и Qwen 3.5.

Главная идея Ornith-1.0 связана с отказом от фиксированного вручную написанного harness, который обычно используется в кодовых агентах. Вместо него модель во время reinforcement learning выстраивает собственный scaffold. При этом она одновременно оптимизирует структуру взаимодействия и само решение задачи. Как сообщает MarkTechPost, флагманская Ornith-1.0-397B получила 82.4 на SWE-Bench Verified. По двум ключевым бенчмаркам она опережает Claude Opus 4.7, хотя уступает Opus 4.8 и более крупной модели GLM-5.2-744B.

В версии 35B MoE на каждый токен активируется примерно 3B параметров. Для более быстрого локального запуска разработчики также опубликовали сборки FP8 и GGUF. Ответ модели начинается с блока <think>, после которого выводится финальный результат. В серверных конфигурациях можно вернуть трассировку рассуждений в отдельном поле reasoning_content, а также формировать корректные tool calls для агентных циклов.

Для развёртывания подготовлены рецепты под vLLM, SGLang и Transformers. Есть и OpenAI-compatible endpoint. К примеру, версия 9B занимает около 19GB в bf16 и может работать на одном GPU с 80GB памяти. Чтобы снизить риск reward hacking, разработчики описывают три уровня защиты: fixed trust boundary, deterministic monitor и frozen LLM judge.