Ornith-1.0: Modelos de codificación de peso abierto de 9B a 397B bajo una licencia MIT

Una familia de modelos llamada Ornith-1.0 ha aparecido como código abierto bajo la licencia MIT, y las cifras publicadas para ella están dirigidas específicamente al código basado en agentes. Las puntuaciones reportadas son de 82.4 en SWE-Bench Verified, 77.5 en Terminal-Bench 2.1, 62.2 en SWE-Bench Pro, 48.2 en NL2Repo y 77.1 en ClawEval, además de 41.2 en el conjunto de preguntas y respuestas de SWE Atlas. La idea es que los modelos abiertos ya no quedan atrás en el área del código y ahora lideran, en una amplia gama de tamaños, pudiéndose desplegar localmente e incluyen una versión en formato GGUF. Estas son las afirmaciones propias del lanzamiento, por lo que se debe abordar con cautela la información sobre las clasificaciones al analizar qué ofrece realmente esta familia de modelos.

Cuatro tamaños

Ornith no es un único modelo, sino cuatro: uno denso de 9B, uno denso de 31B, uno de tipo mezcla de expertos de 35B y uno de tipo mezcla de expertos de 397B. Estos modelos fueron entrenados posteriormente sobre Gemma 4 y Qwen 3.5. Esta variedad es inusual, ya que las versiones abiertas suelen elegir un tamaño pequeño y eficiente para un uso general o uno muy grande para un rendimiento máximo. Aquí, cada nivel está dirigido a un público específico: el modelo de 9B funciona en GPUs de consumo para desarrolladores individuales sin costo alguno. El de 31B es adecuado para equipos pequeños que cuentan con un solo servidor. El modelo de 35B de tipo mezcla de expertos está pensado para proyectos de tamaño medio donde la eficiencia es clave, mientras que el de 397B de tipo mezcla de expertos está destinado a empresas que desean una implementación privada con los datos almacenados internamente. Esto se parece menos a la publicación de un modelo y más a la adquisición de toda una categoría de soluciones.

Qué miden las puntuaciones

SWE-Bench Verified le entrega al modelo un problema real de GitHub y le pide que encuentre el código relevante, lo modifique y haga que todas las pruebas unitarias pasen. Se trata de un trabajo de programación real, no de resolver acertijos. Un desarrollador humano calificado suele obtener un rendimiento de aproximadamente del 70 al 75 por ciento en tales tareas, lo cual es un consenso general en la industria; el 82,4 por ciento registrado para Ornith sería la cifra más alta verificable públicamente en este benchmark. Cabe señalar que se trata de una puntuación, y la publicación no la presenta como porcentaje.

SWE-Bench Pro implica ediciones en varios archivos, refactorizaciones que abarcan múltiples módulos y dependencias complejas, por lo que la puntuación de 62.2 indica que es adecuado para tareas de ingeniería de tamaño medio y no solo para ajustes triviales. Terminal-Bench 2.1 verifica el funcionamiento dentro de una terminal real: navegar por directorios, realizar búsquedas, editar configuraciones, depurar servicios e implementar aplicaciones, y la puntuación de 77.5 sugiere un uso real de la terminal en lugar de una simulación. NL2Repo requiere que se genere todo un repositorio a partir de una descripción en lenguaje natural, como la de una aplicación de gestor de tareas. La puntuación de 48.2 parece modesta si no se tiene en cuenta la dificultad, y se describe como el mejor resultado entre los modelos abiertos.

Advertencia para los lectores: los resultados de las pruebas de rendimiento dependen del entorno utilizado para ejecutarlas, y el mismo modelo puede dar resultados muy diferentes según las configuraciones, por lo que volver a ejecutar los pesos en sus propios repositorios es la única forma de saber cómo se comporta un tamaño determinado en su trabajo. No obstante, en conjunto, las cifras describen algo más parecido a un ingeniero que trabaja en una terminal, lee un código y completa las tareas de desarrollo por sí mismo que a un chatbot que habla sobre código. Además, está bajo licencia MIT, lo que permite su uso comercial sin restricciones.

Permitir que el modelo mejore sus propias herramientas

Las puntuaciones no son la parte más interesante; lo que sí lo es es cómo se obtienen. Las herramientas de programación con IA tienen dos capas: el andamio, que se encarga de la planificación, las llamadas a herramientas y la gestión del contexto, y la solución, que escribe código, corrige errores y ejecuta pruebas. Normalmente, los equipos construyen manualmente el andamio con reglas fijas y solo entrenan la parte de la solución. El enfoque de Ornith aplica el aprendizaje por refuerzo a ambas capas al mismo tiempo, de modo que el modelo descubre qué hace que un andamio sea mejor en lugar de que los ingenieros lo adivinen.

Una analogía: a un trabajador le dan un martillo, otro diseña su propio martillo y luego lo utiliza. Es probable que el segundo acabe con una herramienta más cómoda. Según la propia formulación del equipo, el modelo mejora su propio marco de ejecución por sí mismo, por lo que ajusta la forma en que se escribe el código y no solo el código en sí.

Si eso es cierto, los efectos van más allá de las cifras de referencia. La evolución de las herramientas de programación ya no estaría limitada por lo que los ingenieros humanos puedan imaginar como un marco adecuado, y el modelo podría probar estrategias de ejecución y combinaciones de herramientas que nadie haya diseñado. Una vez que se active un ciclo de refuerzo de este tipo, la iteración podría superar al ajuste manual.

Presión sobre los agentes de programación de código cerrado

Hace tiempo que los agentes de programación se consideran la última fortaleza de los modelos de código cerrado. La tarea es difícil: requiere contexto dentro de un repositorio complejo, planificación en múltiples pasos, numerosas llamadas a herramientas, manejo de retroalimentación de errores y revisiones repetidas, lo que representa un nivel de dificultad distinto al de escribir un párrafo. Por eso, los laboratorios más importantes han invertido mucho en esta área. Se dice que Claude Code genera ingresos anualizados superiores a los 2,5 mil millones de dólares, GitHub Copilot cuenta con decenas de millones de usuarios, y la programación con IA es, sin duda, la línea de ingresos más rápida y fiable del sector. La lógica detrás de esto es que los modelos base pueden distribuirse gratuitamente, mientras que los agentes de programación funcionales son lo por lo que realmente se paga.

Luego aparece una familia de modelos con licencia MIT, versión GGUF, despliegue local, en todos los tamaños desde pequeños hasta enormes, y las mejores calificaciones en código abierto en seis pruebas de rendimiento. Se dice que el equipo detrás de ellos no es una organización formada por mil personas. Se describe como un grupo de investigación que realiza trabajos posteriores al entrenamiento en modelos abiertos existentes, sin anuncio de financiación ni discurso principal, solo modelos, calificaciones y una licencia permisiva puesta a disposición de la comunidad. Si eso es cierto, representa un contraste sorprendente con las barreras competitivas creadas a un costo de miles de millones.

Abierto versus cerrado

La imagen de hoy, más o menos. En el lado abierto se encuentran Ornith-1.0, DeepSeek V4, conocido por su gran capacidad de programación, y Qwen 3.5, que ha mostrado un notable avance en sus habilidades de codificación; todos ellos bajo licencias MIT o similares, listos para ser instalados localmente y utilizables comercialmente de forma gratuita. En el lado cerrado están Claude Code, cuyo resultado en SWE-Bench se estima entre 75 y 80, aunque no hay verificación pública independiente, GPT-5.5 con Codex, cuyas puntuaciones nunca han sido divulgadas, y Gemini con Code Assist.

Un detalle merece atención. La mayoría de las cifras de SWE-Bench de código cerrado carecen de datos públicos y reproducibles de forma independiente, mientras que los de Ornith se publican abiertamente y cualquiera puede ejecutar el modelo para verificarlos. ¿Qué sucede cuando un modelo abierto es más transparente, obtiene mejores resultados y no cuesta nada? Otros casos ofrecen precedentes. Después de que LLaMA se hizo de código abierto, los modelos de fundaciones cerradas perdieron su poder de negociación. Tras Stable Diffusion, Midjourney tuvo que pasar de vender modelos a vender una experiencia. El código agente podría seguir el mismo patrón, y con herramientas más avanzadas en el lado abierto, ya que el núcleo del código agente radica tanto en la ingeniería como en la solidez del modelo, y la ingeniería es donde las comunidades abiertas son más fuertes. Diez mil desarrolladores trabajando con Ornith podrían crear diez mil frameworks y soluciones especializadas, y ningún equipo cerrado es tan grande. El concurso pasa de competir por ver cuál modelo es más potente a determinar cuál ecosistema es más grande.

Tres señales

La primera es que la capa de modelos del código agente se está convirtiendo en un producto común. Cuando un modelo de 9 mil millones de parámetros alcanza la capacidad de codificación a nivel de agente, una licencia permisiva permite su uso comercial gratuito y una versión en formato GGUF funciona en una MacBook; así, el modelo deja de ser escaso, al igual que la computación en la nube hizo que los servidores físicos fueran menos escasos. El valor ahora radica en la adecuación al escenario y en la integración con los flujos de trabajo. Quien integre Ornith en su repositorio, lo conecte a su sistema CI/CD y lo adapte a sus estándares de codificación y lógica empresarial es quien obtiene beneficios, ya que el modelo en sí no cuesta nada.

El segundo punto es que el aprendizaje por refuerzo, que optimiza conjuntamente la estructura de soporte y la solución, podría convertirse en un nuevo paradigma. Ornith no es el primer modelo entrenado posteriormente con RL, pero lleva la optimización conjunta de ambos elementos más allá de los trabajos anteriores y lo respalda con seis puntuaciones de referencia. El futuro que se describe es uno en el que los modelos diseñan sus propios marcos, los ejecutan, reciben retroalimentación mediante RL e iteran sobre el marco, un ciclo que podría acelerarse rápidamente una vez completado.

El tercer punto es que, por primera vez, el código abierto cuenta con una ventaja estructural en la era de los agentes. Los modelos abiertos ya han demostrado su eficacia en chats, escritura y traducción, pero la ejecución de tareas complejas es la primera área en la que han tomado la delantera. Eso no es casualidad. La llamada a herramientas, la planificación en múltiples pasos y la interacción con el entorno son problemas de ingeniería, y la ingeniería se adapta perfectamente a la colaboración abierta. Una empresa cerrada puede ocultar sus pesos, pero no puede ocultar la mejor arquitectura de ingeniería, y mil desarrolladores que perfeccionen un mismo marco de agentes tenderán a superar el diseño de cualquier equipo individual.

Una pregunta antigua, de nuevo

Cuando los analistas de Goldman Sachs examinaron la industria de la IA, se preguntaron si una inteligencia más económica genera más demanda o destruye el poder de fijación de precios. Esa pregunta se refería a los modelos fundamentales. Ahora se aplica también al codificación agente. Si existe una familia completamente abierta, con un rango completo y apta para implementación local, que ofrece los mejores resultados de código abierto bajo licencia MIT para todos, ¿qué sucederá con la economía del código escrito por IA? El equipo de Ornith respondió con sus acciones: lanzarlo primero y resolver el resto después.

Leer más

• Bucles de codificación agente: desde una línea de comandos de Bash hasta /goal, verificaciones y límites estrictos — Una guía práctica para los bucles de agentes: el bucle ralph, los comandos de objetivo y bucle de Claude Code, verificación externa, tres límites de gasto y habilidades que vale la pena conservar, además de un plan para la primera semana.
• Notas prácticas: Qwen 3.8 finalmente está disponible, codificación agente a nivel Opus con funcionalidad local — Guía detallada de las Notas prácticas: Qwen 3.8 finalmente está disponible, codificación agente a nivel Opus con funcionalidad local: contratos, verificaciones y espacios para código reutilizable para los equipos que implementan este patrón.
• Por qué el monorepo modular es adecuado para los agentes de codificación: ver todo, tocar poco — Los polyrepos ciegan a los agentes, mientras que los monorepos no estructurados los sobrecargan. Un contexto abierto, la encapsulación y un verdadero grafo de dependencias hacen que el monorepo modular funcione bien con los agentes.
• Qué cambia con las pruebas agenciales para el control de calidad y dónde siguen fallando — Los conjuntos de pruebas programados y autoreparables se dañan cuando cambia la interfaz de usuario. Los agentes de navegador orientados a objetivos reducen el mantenimiento, pero los flujos regulados y las interfaces inusuales aún requieren atención.
• Pruebas de IA agencial para SaaS: cómo los agentes orientados a objetivos reemplazan a los scripts frágiles — Por qué los conjuntos de pruebas de SaaS siguen fallando, cómo los agentes de IA orientados a objetivos exploran una aplicación y se adaptan, dónde fallan, y cómo llevar a cabo un piloto de pruebas agenciales medido.