動察 Beatingのモニタリングによると、著名なNLP学者である李紀為氏が設立したAIチームDeepReinforceは、プログラミングエージェントに特化した4つのOrnith-1.0モデルをオープンソース化し、全モデルをMITライセンスで公開した。Ornith-1.0はGemma 4とQwen 3.5をベースに訓練され、Dense(密結合)とMoE(混合専門家)の2つのアーキテクチャをカバーしている。Terminal-Bench 2.1 (Claude Code)プログラミングエージェントテストでは、フラッグシップモデルOrnith-1.0-397B MoEが78.2のスコアを達成し、クローズドソースモデルClaude Opus 4.7の69.7を上回った。
Ornith-1.0の核心は、エージェント実行時の環境スキャフォールディングとコード記述を担当するポリシーモデルを連携して強化学習することにある。従来の固定開発環境とは異なり、モデルは訓練中にまず現在のタスクに応じてスキャフォールディング(カスタムメモリ記録やエラー再試行ロジックなど)を自発的に設計・更新し、その新しい環境に基づいてコードを生成・実行する。強化学習の報酬信号はこれら2つのフェーズに同時にフィードバックされ、最適化される。
モデルが自己進化型スキャフォールディングにおいて、隠しテストファイルの読み取りやテストスクリプトの改ざんなどによる報酬ハッキング(Reward Hacking)を行いやすいことを踏まえ、研究開発チームは3層のセキュリティ対策を講じた。物理サンドボックスレベルで外部ツールと試験環境の境界をロックするだけでなく、システムは決定論的モニターを通じて権限外の読み取り行為を遮断する。さらに、凍結されたサードパーティの大規模モデルを監視審判として導入し、ルールには適合するが投機的な解法に対して拒否権を行使する。
評価データによると、軽量モデルが能力を超えたパフォーマンスを発揮している。同じClaude Codeテスト環境において、35Bの混合専門家モデルOrnith-1.0-35B MoEは62.8のスコアを達成し、397Bの大規模パラメータモデルQwen 3.5-397B(48.6)やQwen 3.6-35B(49.2)を上回った。エッジデバイス向けに設計されたOrnith-1.0-9B Denseモデルも、SWE-Bench Verifiedテストで69.4を記録し、31B規模のGemma 4-31B(52.0)を凌駕した。