Ornith AI: modelos autoaprimorados para agentic coding
Um guia prático da família Ornith 1.0 da DeepReinforce AI.
Explore modelos de código com self-scaffolding, benchmarks, escolhas de hardware e caminhos de deploy local.
Compare as variantes 9B, 31B, 35B MoE e 397B MoE antes de escolher uma configuração local ou de produção.
Sinais principais do Ornith AI
O essencial do guia atual do Ornith 1.0.
Lançamento
Jun 25
2026
Tamanhos
9B-397B
Dense + MoE
Janela de contexto
262K
tokens
SWE-Bench
82.4
Verified
O que é Ornith AI?
Ornith AI se concentra no Ornith 1.0, uma família de LLMs open-source projetada para agentic coding em escala de repositório. Os modelos aprendem não só a escrever código, mas também a construir o scaffold do trabalho: planejamento, uso de ferramentas, retentativas e verificação.
- Agentes com self-scaffoldingOrnith aprende planos de tarefa, chamadas de ferramentas, recuperação de erros e patches de código no mesmo ciclo de reinforcement learning.
- Família de modelos abertaEscolha entre variantes 9B Dense, 31B Dense, 35B MoE e 397B MoE sob licença MIT.
- Feito para fluxos de códigoUse em agentes de terminal, refactors multi-arquivo, localização de bugs, patches com testes e assistentes offline.
Como o Ornith AI funciona
A estrutura do guia ajuda a entender a ideia de treinamento, comparar benchmarks e escolher o modelo adequado ao seu hardware.
Dados dos modelos
Especificações do Ornith 1.0
Tamanho, arquitetura, modelo base, VRAM e casos de uso adaptados do guia de modelos Ornith.
Ornith-1.0-9B
9B Dense em Qwen 3.5 para pouca VRAM e triagem rápida de código.
- Arquitetura
- Dense
- Todos os parâmetros ativos na inferência
- VRAM
- ~19GB bf16 / ~6GB Q4
- Q4 cabe em setups locais de entrada
- Contexto
- 262K tokens
- Amplo para contexto de repositórios
- Ideal para
- Edge / Offline
- Código privado, triagem e agentes leves
Ornith-1.0-31B
31B Dense em Gemma 4 para equipes que preferem estabilidade dense.
- Arquitetura
- Dense
- Comportamento estável com maior demanda de recursos
- VRAM
- ~62GB bf16 / ~20GB Q4
- GPU classe 80GB ou deploy quantizado
- Contexto
- 262K tokens
- Tarefas de código com longo contexto
- Ideal para
- Equilíbrio
- Qualidade e velocidade sem roteamento MoE
Ornith-1.0-35B MoE
35B MoE com cerca de 3B parâmetros ativos por token, recomendado para a maioria dos devs locais.
- Arquitetura
- MoE
- Mais conhecimento total com menos computação ativa
- VRAM
- ~25GB Q5_K_M
- Prático para uma única GPU 24GB+
- Velocidade
- Mais rápido que 9B dense
- MoE reduz computação por token
- Ideal para
- Melhor valor
- Agentes locais, refactors e código diário
Ornith-1.0-397B MoE
397B MoE para máxima precisão em pipelines de agentes de produção.
- Arquitetura
- MoE
- Baseado em Qwen 3.5 397B
- VRAM
- ~200GB FP8 / ~400GB bf16
- Normalmente 8x GPUs de 80GB
- Melhor score
- 82.4 SWE-Bench
- Benchmark Verified
- Ideal para
- Produção
- Sistemas autônomos de código de alta precisão
35B MoE é o ponto ideal recomendado para a maioria dos desenvolvedores locais; 397B mira pipelines de agentes em produção.
Dados de benchmark
Benchmarks do Ornith 1.0
Dados comparativos de Terminal-Bench, SWE-Bench, NL2Repo e ClawEval para o 397B e modelos locais menores.
397B vs modelos frontier
Ornith-1.0-397B comparado com pontuações de Qwen, GLM, DeepSeek e Claude Opus.
| Benchmark | Ornith 397B | Qwen 3.5 | Qwen 3.7 | GLM 5.2 | DeepSeek V4 | Opus 4.7 | Opus 4.8 |
|---|---|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 77.5 | 53.5 | 73.5 | 81.0 | 64 | 70.3 | 85 |
| SWE-Bench Verified | 82.4 | 76.4 | 80.4 | - | 80.6 | 80.8 | 87.6 |
| SWE-Bench Pro | 62.2 | 51.6 | 60.6 | 62.1 | 55.4 | 64.3 | 69.2 |
| SWE-Bench Multilingual | 78.9 | 69.3 | 78.3 | - | 76.2 | - | - |
| NL2Repo | 48.2 | 36.8 | 47.2 | 48.9 | - | - | 69.7 |
| ClawEval Avg | 77.1 | 70.7 | 65.2 | - | 75.8 | 78.2 | - |
Comparação de modelos pequenos
Resultados 9B e 35B MoE contra baselines Qwen e Gemma de tamanho similar.
| Benchmark | Ornith 9B | Ornith 35B | Qwen 3.5 9B | Qwen 3.5 35B | Gemma 12B | Gemma 31B |
|---|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 43.1 | 64.2 | 21.3 | 41.4 | 21 | 42.1 |
| SWE-Bench Verified | 69.4 | 75.6 | 53.2 | 70 | 44.2 | 52 |
| SWE-Bench Pro | 42.9 | 44.6 | 31.3 | 44.6 | 27.6 | 35.7 |
| SWE-Bench Multilingual | 52 | 60.3 | 39.7 | 60.3 | 32.5 | 51.7 |
| NL2Repo | 27.2 | 20.5 | 16.2 | 20.5 | 10.3 | 15.5 |
| ClawEval Avg | 63.1 | 65.4 | 53.2 | 65.4 | 32.5 | 48.5 |
Nota: essas pontuações vêm da avaliação oficial da DeepReinforce; teste novamente com suas tarefas antes da produção.
Execução local
Dados de runtime e deploy
Notas de serving e integração para vLLM, Ollama, LM Studio, SGLang, llama.cpp e agentes compatíveis com OpenAI.
vLLM
Serving compatível com OpenAI para produção com prefix caching, tool parsing e reasoning parsing.
- Port
- 8000
- endpoint OpenAI /v1
- Context
- 262144
- --max-model-len
- Tool calls
- qwen3_xml
- --enable-auto-tool-choice
- Reasoning
- qwen3
- campo reasoning_content
Ollama / LM Studio
Ideal para testes locais e workflows GUI; use quantização GGUF Q4_K_M ou Q5_K_M.
- Ollama
- hf.co/...-GGUF
- Baixar e rodar em um comando
- LM Studio
- Search Ornith-1.0
- Baixar e carregar pesos quantizados
- 9B Q4
- ~6GB VRAM
- Entrada com pouca VRAM
- 35B Q5
- ~25GB VRAM
- Qualidade local recomendada
SGLang / llama.cpp
SGLang é útil para scheduling MoE; llama.cpp é um caminho C++ leve.
- SGLang parser
- qwen3_coder
- Diferente do parser vLLM
- llama.cpp
- llama-server
- -c 262144
- Agents
- Claude Code / OpenHands
- Apontar para OPENAI_BASE_URL local
- API key
- EMPTY
- Placeholder para serviços locais
Nota de avaliação
Os dados de benchmark vêm da avaliação oficial da DeepReinforce; use como sinal de seleção e reteste antes da produção.
- Terminal-Bench
- média de 5 execuções
- timeout 4h, 32 CPU, 48GB RAM
- SWE-Bench
- OpenHands
- contexto 256K
- NL2Repo
- 400K context
- saída 48K
- ClawEval
- tarefas reais de usuários
- 256K context
Casos de uso e escolha de modelos no Ornith AI
Um mapa compacto de onde Ornith AI se encaixa em fluxos reais de desenvolvimento.
Refatoração de repositórios
Planeje e aplique mudanças coordenadas em muitos arquivos enquanto verifica resultados intermediários.
Localização de bugs
Pesquise uma codebase, identifique causas prováveis e produza patches focados com testes.
Agentes de terminal
Alimente agentes de código em terminal que precisam de tool calls estruturadas e loops de recuperação.
Código local privado
Execute variantes menores localmente para assistência offline e privacidade do código.
35B MoE como ponto ideal
Use 35B MoE para equilibrar velocidade, qualidade e custo de hardware.
397B em produção
Use 397B MoE para máxima precisão em pipelines de agentes de produção.
FAQ do Ornith AI
Respostas rápidas sobre escolha de modelo, setup e posicionamento.
O que é Ornith AI?
Ornith AI é este guia em torno do Ornith 1.0, uma família open-source de modelos agentic coding da DeepReinforce AI.
O que torna Ornith diferente?
A ideia central é self-scaffolding: o modelo aprende junto planejamento, uso de ferramentas, recuperação de erros e solução de tarefas de código.
Qual modelo Ornith escolher?
Para muitos usuários, 35B MoE é o meio-termo prático. 9B é melhor para hardware limitado, enquanto 397B mira agentes de produção de alta precisão.
Ornith AI pode rodar localmente?
Sim. O guia cobre vLLM, Ollama, LM Studio, pesos quantizados e tradeoffs de VRAM para caminhos locais e self-hosted.
Construa com Ornith AI
Comece pela família de modelos, compare os sinais de benchmark e escolha o caminho de deploy adequado ao hardware e workflow.