DeepReinforce acaba de publicar Ornith-1.0, una familia de modelos abiertos para programación agéntica que hace algo que hasta ahora no hacÃa ningún modelo open source: aprende a diseñarse su propio andamiaje de trabajo. Hasta la fecha, el harness que guÃa a un agente de código (cómo gestiona la memoria, cómo maneja los errores, cómo orquesta sus pasos) lo escribÃa un humano a mano. Ornith convierte ese harness en algo que el propio modelo descubre y mejora mientras entrena.
Cuatro tamaños, de edge a frontera
La familia cubre todo el espectro: 9B Dense pensado para correr en local, 31B Dense, 35B MoE y 397B MoE para quien busca el máximo rendimiento posible. Está construida sobre Gemma 4 y Qwen 3.5 como base, y según los benchmarks que publican, es el modelo open source de referencia en su categorÃa de tamaño para tareas de codificación agéntica.
El cambio real: el andamiaje deja de ser fijo
La pieza central es un framework de entrenamiento que se automejora. En lugar de fijar un harness común diseñado a mano para toda una categorÃa de tareas, Ornith trata el propio scaffold como un objeto que aprende y evoluciona junto con la polÃtica del modelo. Cada paso de RL tiene dos fases: primero, condicionado a la tarea y al andamiaje usado antes, el modelo propone un andamiaje refinado; después, condicionado a ese nuevo andamiaje y a la tarea, genera la solución. La recompensa se propaga a las dos fases, asà que el modelo no solo aprende a responder mejor, también aprende a diseñar la orquestación que hace posible esa respuesta mejor.
Repetido durante todo el entrenamiento, esto genera un bucle en el que los andamiajes se mutan y se seleccionan continuamente hacia los que producen mejores resultados, dejando que emerjan estrategias especÃficas por tipo de tarea sin que nadie tenga que diseñarlas a mano.
El problema del reward hacking, y cómo lo frenan
Dejar que el modelo escriba su propio scaffold abre una puerta obvia: puede aprender a engañar al verificador sin resolver realmente la tarea, por ejemplo leyendo los ficheros de test que deberÃa tener ocultos y generando directamente el artefacto esperado, o copiando una solución de referencia presente en el entorno. DeepReinforce dice defenderse con tres capas: la frontera de confianza (el entorno, las herramientas disponibles y el aislamiento de los tests) queda fija y fuera del alcance del modelo, que solo puede evolucionar su polÃtica interna; un monitor determinista detecta cualquier intento de leer rutas ocultas o modificar los scripts de verificación y penaliza esas trayectorias con recompensa cero; y por encima de todo eso, un juez LLM congelado actúa como veto para pillar el tipo de trampa que ocurre dentro de las reglas permitidas pero que sigue siendo trampa.
Los números
En la versión de 397B, Ornith-1.0 llega a 82,4 en SWE-Bench Verified y 77,5 en Terminal-Bench 2.1, superando a Claude Opus 4.7 (80,8 y 70,3 respectivamente) y a otros modelos abiertos de tamaño similar como MiniMax M3 (80,5 y 66,0) o DeepSeek-V4-Pro (80,6 y 67,9). Dicho esto, conviene matizar: Claude Opus 4.8 sigue por delante en la mayorÃa de estas pruebas (87,6 en SWE-Bench Verified, 85 en Terminal-Bench 2.1), asà que la comparación que gana DeepReinforce es frente a la generación anterior de Anthropic, no frente a la actual.
Donde la cosa se pone más interesante es en los tamaños pequeños. Ornith-1.0-35B, con menos de una décima parte de los parámetros de Ornith-397B, supera a Qwen3.5-397B en Terminal-Bench 2.1 (64,2 frente a 53,5) y le pisa los talones en varios benchmarks más. Y Ornith-1.0-9B, pensado para correr en un portátil, saca 69,4 en SWE-Bench Verified y 43,1 en Terminal-Bench 2.1, por delante de modelos bastante más grandes como Gemma4-31B (52 y 42,1). Para un modelo de 9B que se puede desplegar en local sin depender de ninguna API, es un resultado que llama la atención.
Disponibilidad
Los pesos de las cuatro variantes están publicados en la colección de Ornith-1.0 en Hugging Face. Toda la metodologÃa, las cifras completas por benchmark y los detalles de evaluación están en el anuncio original de DeepReinforce.
Si el harness que orquesta a un agente de código —memoria, manejo de errores, cuándo reintentar, cuándo parar— deja de ser algo que escribimos a mano y pasa a ser algo que el propio modelo descubre y refina, el techo ya no lo pone lo bien que un modelo responde una pregunta suelta. Lo pone si es capaz de aprender a mejorar su propio proceso de trabajo, y eso cambia bastante las reglas de por dónde va a venir la próxima mejora real en estos sistemas.
Dos de los modelos con los que se compara Ornith los hemos cubierto antes: MiniMax M3 y GLM-5.2 en Cloudflare Workers AI. Y si lo que te interesa es la otra cara de la moneda, la del harness diseñado a mano en lugar de aprendido, aquà hablamos de loopkit, un conjunto de skills y arquitectura de agente pensado justo para Claude Code.