> ## Content Index > Fetch the complete content index at: https://www.digitalbrain.news/llms.txt > Use this file to discover other available public pages before exploring further. # Ornith-1.0 de Deep Reinforce: modelo open-source que supera a Opus 4.7 en Terminal-Bench - URL: https://www.digitalbrain.news/noticias/ornith-1-0-deep-reinforce/ - Published: 2026-06-26T16:45:00.000Z - Updated: 2026-08-06T19:39:45.000Z - Description: Deep Reinforce ha lanzado Ornith-1.0, una familia open-source de modelos especializados en programación autónoma. Y los benchmarks publicados son los más… - Author: Ramón Pérez Coronado - Tags: #noticias, open-source, coding, anthropic, claude, modelos Deep Reinforce ha lanzado Ornith-1.0, una familia [open-source](https://www.digitalbrain.news/glosario/#open-source) de modelos especializados en programación autónoma. Y los [benchmarks](https://www.digitalbrain.news/glosario/#benchmark) publicados son los más fuertes que hemos visto en open-source este año. ## Los números En Terminal-Bench 2.1, Ornith-1.0-397B saca 77,5 puntos. [Claude](https://www.digitalbrain.news/guias/que-es-claude-ia/) Opus 4.7 saca 70,3 en el mismo benchmark. En SWE-Bench Verified, Ornith saca 82,4 contra los 80,8 de Opus 4.7\. Es la primera vez que un modelo open-source supera claramente a Opus 4.7 en los dos benchmarks de coding agéntico más relevantes. Y el modelo de solo 9B parámetros saca 43,1 en Terminal-Bench y 69,4 en SWE-Bench Verified, lo cual es competitivo con modelos diez veces más grandes. ## Cuatro variantes, todas open 9B Dense, 31B Dense, 35B [MoE](https://www.digitalbrain.news/glosario/#moe) y 397B MoE. Basadas en Gemma 4 (de Google) y [Qwen](https://www.digitalbrain.news/glosario/#qwen) 3.5 (de [Alibaba](https://www.digitalbrain.news/glosario/#alibaba)). Disponibles en [Hugging Face](https://www.digitalbrain.news/glosario/#hugging-face) para descarga y [fine-tuning](https://www.digitalbrain.news/guias/que-es-fine-tuning/). ## La innovación técnica Lo que diferencia Ornith de modelos previos: el sistema aprende a generar tanto la solución como el 'scaffold' (andamiaje específico de la tarea) que guía esa solución. En lugar de usar plantillas predefinidas, el modelo optimiza conjuntamente cómo estructura el problema y cómo lo resuelve. El [entrenamiento](https://www.digitalbrain.news/glosario/#entrenamiento) se hace en dos etapas con recompensas propagadas a ambas fases, creando un loop de mejora. Implementan tres capas defensivas contra el 'gaming' del benchmark (que el modelo aprenda a explotar el entorno en vez de resolver la tarea): límites de confianza fijos, monitor determinista que sanciona accesos no autorizados y un juez [LLM](https://www.digitalbrain.news/guias/que-es-un-llm/) congelado como veto adicional. ## Cómo está entrenado, en lenguaje de founder Cada paso de RL hace dos cosas a la vez. Primero, condicionado en la tarea y en el scaffold previo, el modelo propone un scaffold refinado. Segundo, condicionado en ese nuevo scaffold y en la tarea, genera la solución. Las recompensas del resultado se propagan a las dos etapas, optimizando scaffold y policy conjuntamente. Está implementado con asynchronous pipeline-RL, objetivo GRPO a nivel [token](https://www.digitalbrain.news/guias/que-es-un-token-en-ia/) y staleness weighting para tokens off-policy. Para el lector no técnico, lo importante: el sistema aprende sobre cómo aprender, no solo sobre las tareas. Implementan tres capas defensivas contra el 'gaming' del benchmark (que el modelo aprenda a explotar el entorno en vez de resolver la tarea): - **Trust boundary fija**: el entorno, la interfaz de tools y el aislamiento de tests son inmutables y fuera del alcance del modelo. Solo puede evolucionar su política interna. - **Monitor determinista**: chequeador exact-spec; leer paths protegidos, editar scripts de verificación o invocar tools no autorizadas da recompensa cero y se excluye del cálculo de advantage. - **Juez LLM congelado**: modelo independiente que actúa como veto sobre el verificador primario para detectar intent-level gaming dentro de operaciones de tool permitidas. ## Cautela razonable Los benchmarks son del propio lab. La industria está llena de modelos que en benchmarks publicados eran 'el siguiente Claude' y en producción no aguantaban un caso real. Pero hay dos señales que sí merecen tomarse en serio: - Que el modelo sea open-source con **MIT license, sin restricciones regionales**, significa que cualquiera puede verificar los benchmarks. Si fueran inflados, lo sabremos en días. - Las capas defensivas contra benchmark gaming sugieren que el equipo está intentando evitar exactamente el patrón del que se acusa al resto. Está disponible en Hugging Face en el namespace \`deepreinforce-ai/ornith-10\` (incluye FP8 del 397B) y en GitHub \`deepreinforce-ai/Ornith-1\`. La composición exacta de los datos de entrenamiento no está publicada más allá de 'post-trained sobre Gemma 4 y Qwen 3.5', que es información menos transparente que el resto. ## Por qué importa Si los benchmarks aguantan validación independiente, esto cambia la conversación. Un modelo open-source que supera a Opus 4.7 en coding es algo que muchas empresas pueden desplegar internamente sin pagar el ticket de [Anthropic](https://www.digitalbrain.news/guias/que-es-anthropic/). La consecuencia para [Claude Code](https://www.digitalbrain.news/guias/que-es-claude-code/) (que es lo que uso yo cada día) no es que vaya a dejar de usarlo. Es que aparece una alternativa creíble para casos donde el coste o la privacidad de datos pesa más que la ergonomía. ## Qué hacer - **Si tu empresa tiene equipo de ML in-house**: descarga el 9B y prueba con tu codebase real. En 2-3 horas tienes señal de si los benchmarks aguantan en tu dominio. - **Si trabajas en sector regulado (banca, salud, defensa)**: tener un modelo de coding self-hosted con benchmarks competitivos cambia el cálculo de compliance. Vale la pena escalar a IT que está disponible. - **Si estás eligiendo modelo para agentes de coding**: añade Ornith al pool de comparativa junto a Claude Sonnet/Opus y [GPT-5.5.](https://www.digitalbrain.news/glosario/#gpt) Si los benchmarks resisten, en 6 meses puede ser tu opción default. --- **Relacionado** [![Cursor vs GitHub Copilot: cuál elegir](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/2026/07/cursor-vs-copilot.png)Cursor vs GitHub Copilot: cuál elegir](https://www.digitalbrain.news/guias/cursor-vs-copilot/)[![Anthropic borra el 80% del prompt de sistema de Claude Code y explica por qué](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/2026/07/anthropic-context-engineering-claude-5-prompt-sistema.jpg)Anthropic borra el 80% del prompt de sistema de Claude Code y explica por qué](https://www.digitalbrain.news/noticias/anthropic-context-engineering-claude-5-prompt-sistema/)[![Anthropic lanza Claude Opus 5: iguala a Fable 5 en codigo a mitad de precio](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/2026/07/anthropic-claude-opus-5-lanzamiento.png)Anthropic lanza Claude Opus 5: iguala a Fable 5 en codigo a mitad de precio](https://www.digitalbrain.news/noticias/anthropic-claude-opus-5-lanzamiento/)