Technologie Ornith
Famille de modèles open-weights (MIT) de DeepReinforce pour le codage agentique, entraînée par renforcement à générer ses propres scaffolds.
SFEIR AI · Publié le 3 juillet 2026 · Mis à jour le 26 août 2026
Une famille open-weights pour le codage agentique
Ornith est une famille de modèles de langage publiée par DeepReinforce sous licence MIT, vérifiable sur les dépôts Hugging Face de l'organisation. Elle est spécialisée dans le codage agentique : planifier, utiliser des outils, exécuter du code et résoudre des tâches d'ingénierie logicielle de bout en bout dans un dépôt.
La première génération, Ornith-1.0, paraît en juin 2026 : les dépôts 9B et 35B sont créés le 21 juin, le 397B le 23 juin, les déclinaisons quantifiées dans les jours suivants. Une génération 1.5 suit le 18 août 2026, avec les mêmes tailles — 9B, 35B-A3B, 397B — et des variantes GGUF, FP8, NVFP4 et MLX. Le rythme est donc soutenu : vérifier l'organisation ornith-ai sur Hugging Face plutôt que se fier à un numéro de version lu ailleurs.
Un entraînement par renforcement dit « self-scaffolding »
L'apport revendiqué est un cadre d'entraînement par renforcement où le modèle apprend simultanément à résoudre la tâche de code et à générer lui-même les scaffolds — cadres de raisonnement, workflows, prompts d'orchestration — qui guident sa résolution. La model card le formule ainsi : le modèle « employs RL to learn to generate not only solution rollouts, but also the scaffold that drive those rollouts ». L'optimisation conjointe du harnais et de la solution vise à découvrir de meilleures trajectoires sans dépendre uniquement de harnais conçus par des humains.
La portée de la contribution mérite d'être située. Les variantes sont post-entraînées sur des bases Gemma 4 et Qwen 3.5 : ce qu'apporte DeepReinforce est la couche de renforcement et de self-scaffolding, pas une architecture ni un pré-entraînement nouveaux.
Ce qui est publié, et ce qui ne l'est pas
Les variantes publiquement disponibles au 26 août 2026 sont un 9B dense, un 35B MoE et un 397B MoE, en 1.0 comme en 1.5, avec leurs déclinaisons quantifiées. Le 31B dense annoncé dans le billet de lancement n'a toujours aucun dépôt public sur l'organisation, deux mois après l'annonce. Une famille annoncée et une famille téléchargeable ne se recouvrent pas exactement.
Des comparaisons publiées par l'éditeur, y compris celles des concurrents
DeepReinforce annonce pour le 397B un score Terminal-Bench 2.1 de 77,5 et un SWE-bench Verified de 82,4, contre respectivement 70,3 et 80,8 pour Claude Opus 4.7, 66,0 et 80,5 pour MiniMax M3, 67,9 et 80,6 pour DeepSeek-V4-Pro. Le 35B est annoncé à 64,4 sur Terminal-Bench 2.1 contre 53,5 pour Qwen 3.5-397B ; le 9B à 43,1 sur ce même benchmark (harnais Terminus-2, contexte 128K, moyenne de cinq exécutions) et 69,4 sur SWE-bench Verified.
Ce tableau est publié par l'éditeur — y compris les valeurs qu'il attribue à ses concurrents, qu'aucun tiers n'a mesurées dans le même protocole. Ces chiffres situent un ordre de grandeur, ils ne tranchent pas un classement. Les retours communautaires sont polarisés et dépendent fortement du harnais d'exécution : bon dans un montage agentique outillé, le modèle retrouve hors harnais les faiblesses de sa famille de base.
Questions fréquentes
Qu'est-ce qu'Ornith ?
Une famille de modèles de langage open-weights sous licence MIT, publiée par DeepReinforce et spécialisée dans le codage agentique. La première génération paraît en juin 2026, une génération 1.5 suit le 18 août 2026, en tailles 9B, 35B MoE et 397B MoE.
Qu'est-ce que le « self-scaffolding » ?
Un entraînement par renforcement où le modèle apprend en même temps à résoudre une tâche de code et à générer lui-même les scaffolds — cadres de raisonnement, workflows, prompts d'orchestration — qui guident sa résolution, les deux étant optimisés conjointement.
Quelles variantes sont réellement téléchargeables ?
Au 26 août 2026 : 9B dense, 35B MoE et 397B MoE, en générations 1.0 et 1.5, avec des déclinaisons GGUF, FP8, NVFP4 et MLX. Le 31B dense annoncé au lancement n'a toujours pas de dépôt public sur l'organisation ornith-ai.
Ornith dépasse-t-il vraiment les modèles propriétaires ?
Sur les tableaux publiés par DeepReinforce, la variante 397B affiche des scores légèrement supérieurs à ceux qu'il attribue à Claude Opus 4.7. Ce sont des chiffres éditeur, y compris pour les concurrents : ils situent un ordre de grandeur sans trancher un classement.
Ornith est-il un modèle entraîné de zéro ?
Non. Les variantes sont post-entraînées sur des bases Gemma 4 et Qwen 3.5. La contribution de DeepReinforce est la couche d'apprentissage par renforcement et de self-scaffolding, pas une architecture nouvelle ni un pré-entraînement complet.
Sources
Ornith dans vos projets
Échanger avec SFEIRArticles liés
Ornith-1.0 : quand le modèle apprend son propre harnais
Un même modèle open-source, deux verdicts opposés selon le harnais. Ce qu'Ornith-1.0 et son entraînement self-scaffolding prouvent pour une DSI.
« Coding is solved » : pourquoi votre entreprise n'a pas encore le droit d'y croire
Définition, bascule « coding is solved » et garde-fous : ce que l'agentic coding change vraiment en entreprise.
Quand l'agent pousse du code en production à 3h du matin, qui est responsable ?
La sécurité de l'agentic coding se joue dans la revue : signaux d'alarme, vérifiabilité, harnais et identité des agents.
La Matrice Souveraineté Agentique : Buy vs Build pour l'IA
De l'assistant au décideur : une rupture qui force les arbitrages Pendant plusieurs années, l'IA générative a occupé une place confortable dans les organisations : celle du conseiller brillant qu'on consulte, mais dont on reste libre d'ignorer les recommandations. Le cop...