Ornith-1.0: modele do kodowania o otwartych wagach od 9B do 397B pod licencją MIT

Rodzina modeli o nazwie Ornith-1.0 została udostępniona jako oprogramowanie otwarte pod licencją MIT, a opublikowane dla niej wyniki są skierowane bezpośrednio na kodowanie oparte na agentach. Uzyskane wyniki to 82,4 w teście SWE-Bench Verified, 77,5 w Terminal-Bench 2.1, 62,2 w SWE-Bench Pro, 48,2 w NL2Repo oraz 77,1 w ClawEval, a także 41,2 w zestawie pytań i odpowiedzi SWE Atlas QnA. Argumentem jest to, że modele otwarte przestały pozostawać w tyle pod względem umiejętności kodowania i teraz przewodzą, zarówno w różnych rozmiarach, jak i w wersjach dostępnych do lokalnego uruchomienia, wraz z plikiem GGUF. Są to twierdzenia samego wydawcy, więc należy podchodzić z ostrożnością do informacji o pozycjach na liście liderów, sprawdzając jednocześnie, co faktycznie oferuje ta rodzina modeli.

Cztery rozmiary

Ornith to nie jeden model, lecz cztery: 9B dense, 31B dense, 35B mixture-of-experts oraz 397B mixture-of-experts. Wszystkie one przeszły dodatkowe szkolenie na bazie Gemma 4 i Qwen 3.5. Taka różnorodność jest nietypowa, ponieważ w przypadku modeli otwartych zwykle wybiera się małą, wydajną wersję ze względu na rozmiar, albo dużą wersję dla maksymalnej mocy obliczeniowej. Tutaj każdy model jest skierowany do konkretnej grupy użytkowników. Wersja 9B działa na kartach graficznych dostępnych dla zwykłych użytkowników i nie wymaga żadnych kosztów od indywidualnych programistów. Wersja 31B nadaje się dla małego zespołu korzystającego z jednego serwera. Wersja 35B mixture-of-experts jest przeznaczona dla projektów średniej wielkości, gdzie ważna jest wydajność, natomiast wersja 397B mixture-of-experts jest skierowana do firm, które chcą prywatnego wdrożenia z przechowywaniem danych wewnętrznie. To bardziej przypomina wybór całej ścieżki rozwoju niż publikację pojedynczego modelu.

Co mierzą oceny

SWE-Bench Verified przekazuje modelowi rzeczywisty problem z GitHuba i prosi go o znalezienie odpowiedniego kodu, jego zmianę oraz sprawienie, by wszystkie testy jednostkowe przeszły. To prawdziwa praca programistyczna, a nie ćwiczenia logiczne. Wykwalifikowany programista ludzki osiąga przy takich zadaniach zazwyczaj wynik na poziomie około 70 do 75 procent, co stanowi ogólne uzgodnienie w branży, natomiast 82,4 odnotowane dla Ornith to najwyższa wartość publicznie sprawdzalna w tym teście. Należy pamiętać, że jest to ocena, a publikacja nie przedstawia jej w postaci procentu.

SWE-Bench Pro wymaga edycji w kilku plikach, refaktoryzacji obejmującej różne moduły oraz skomplikowanych zależności, więc wynik 62,2 wskazuje, że radzi sobie z zadaniami inżynieryjnymi średniej skomplikowania, a nie tylko z błahymi modyfikacjami. Terminal-Bench 2,1 sprawdza działanie w rzeczywistym terminalu: przemieszczanie się po katalogach, wyszukiwanie tekstów, edycja konfiguracji, debugowanie usług oraz wdrażanie aplikacji, a wynik 77,5 sugeruje rzeczywiste korzystanie z terminala, a nie jego symulację. NL2Repo wymaga całego repozytorium utworzonego na podstawie opisu w języku potocznym, np. aplikacji do zarządzania zadaniami. Wynik 48,2 wydaje się skromny, jeśli weźmie się pod uwagę poziom trudności, i jest opisywany jako najlepszy wynik wśród modeli otwartych.

Uwaga dla czytelników: wyniki testów bazowych zależą od narzędzi używanych do ich przeprowadzania, a ten sam model może dawać zupełnie różne rezultaty w zależności od ustawień, dlatego ponowne uruchomienie wag w własnych repozytoriach to jedyny sposób, by sprawdzić, jak dany model zachowuje się w kontekście własnej pracy. Mimo to, łącznie, przedstawione dane przypominają bardziej inżyniera pracującego przy terminalu, który analizuje kod i samodzielnie realizuje zadania rozwojowe, niż chatbota, który mówi o kodzie. Licencja MIT umożliwia swobodne wykorzystanie w celach komercyjnych.

Umożliwienie modelowi doskonalenia własnych narzędzi

Wyniki nie są najciekawszą częścią – ważniejsze jest to, jak do nich doszło. Narzędzia do programowania oparte na sztucznej inteligencji składają się z dwóch warstw: szkieletu, który zajmuje się planowaniem, wywoływaniem narzędzi i zarządzaniem kontekstem, oraz rozwiązania, które pisze kod, naprawia błędy i uruchamia testy. Zazwyczaj zespoły ręcznie budują szkielet według ustalonych zasad i szkolą jedynie część odpowiadającą rozwiązaniu. Podejście Ornith polega na jednoczesnym stosowaniu uczenia się wzmacniającego w obu tych obszarach, dzięki czemu model sam odkrywa, co sprawia, że szkielet będzie lepszy, zamiast aby inżynierowie zgaduwali.

Przykład analogii: jednemu pracownikowi daje się młotek, drugi projektuje swój własny młotek, a następnie nim operuje. Ten drugi najprawdopodobniej będzie miał bardziej wygodne narzędzie. W ramach tego podejścia model sam doskonali swój własny framework wykonywania zadań, więc dostosowuje sposób pisania kodu, a nie tylko sam kod.

Jeśli to się sprawdzi, skutki będą wykraczać poza liczby z benchmarków. Rozwój narzędzi programistycznych nie będzie już ograniczony tym, co ludzcy inżynierowie mogą uznać za odpowiednią podstawę, a model będzie mógł testować strategie wykonywania zadań oraz kombinacje narzędzi, których nikt wcześniej nie zaprojektował. Gdy taki cykl wzmocnienia zostanie uruchomiony, proces iteracji może przewyższyć szybkość ręcznej optymalizacji.

Presja na agenty programistyczne o zamkniętym kodzie źródłowym

Agenty kodujące od dawna są postrzegane jako ostatnia twierdza modeli o zamkniętym kodzie źródłowym. Zadanie to jest trudne: wymaga kontekstu w złożonym repozytorium, planowania wieloetapowego, licznych wywołań narzędzi, obsługi informacji o błędach oraz wielokrotnych poprawek – co stanowi wyzwanie o zupełnie innym poziomie trudności niż pisanie akapitu. Dlatego największe laboratoria postawiły tu duże stawki. Mówi się, że Claude Code generuje roczne przychody przekraczające 2,5 miliarda dolarów, GitHub Copilot ma dziesiątki milionów użytkowników, a programowanie przy użyciu sztucznej inteligencji jest bez wątpienia najszybciej rozwijającym się i najbardziej niezawodnym źródłem przychodów w tym biznesie. Założeniem jest to, że modele podstawowe można udostępnić bezpłatnie, natomiast płaci się za funkcjonalne agenty kodujące.

Następnie pojawia się rodzina modeli z licencją MIT, wersją GGUF, możliwością lokalnego wdrożenia, dostępną we wszystkich rozmiarach – od małych po ogromne – oraz z najwyższymi wynikami wśród projektów otwartego oprogramowania w sześciu testach. Zdaniem niektórych zespół stojący za nimi nie jest organizacją liczącą tysiąc osób. Opisuje się go jako grupę badawczą zajmującą się dalszą obróbką istniejących modeli otwartych, bez żadnych ogłoszeń o finansowaniu ani głównych przemówień – tylko modele, wyniki i licencja permissive udostępniona społeczności. Jeśli to prawda, stanowi to dziwny kontrast z systemami ochronnymi budowanymi za miliardy.

Otwarte versus zamknięte

Zdjęcie z dzisiaj, mniej więcej. Po stronie otwartej znajdują się Ornith-1.0, DeepSeek V4, znany z silnych umiejętności programistycznych, oraz Qwen 3.5, który odnotował znaczący postęp w umiejętnościach programowania – wszystkie działają na zasadach MIT lub podobnych licencji, można je zainstalować lokalnie i używać komercyjnie bezpłatnie. Po stronie zamkniętej są Claude Code, którego wynik w teście SWE-Bench szacuje się na około 75–80, choć nie ma niezależnej publicznej weryfikacji, GPT-5.5 z Codex, którego wyniki nigdy nie zostały ujawnione, oraz Gemini z Code Assist.

Jeden szczegół zasługuje na uwagę. Większość wyników SWE-Bench dla modeli zamkniętych nie posiada publicznych, niezależnie powtarzalnych danych, podczas gdy dane Ornith są udostępniane otwarcie i każdy może uruchomić model, aby je sprawdzić. Co się dzieje, gdy model otwarty jest bardziej przejrzysty, osiąga wyższe wyniki i nie kosztuje nic? Inne przykłady pokazują taki scenariusz. Po udostępnieniu LLaMA na licencji otwartej modele fundacji zamkniętych straciły siłę negocjacyjną. Po pojawieniu się Stable Diffusion Midjourney musiała przestać sprzedawać modele i zacząć sprzedawać doświadczenie. Kodowanie agentywne może podążać tą samą ścieżką, a dzięki lepszym narzędziom dostępnym w środowisku otwartym – skoro istotą kodowania agentywnego jest zarówno jakość modelu, jak i inżynieria, a to właśnie w społecznościach otwartych inżynieria jest najrozsądniejsza – dziesięć tysięcy programistów pracujących nad Ornith mogłoby stworzyć dziesięć tysięcy frameworków i rozwiązań specjalistycznych, a żadna zamknięta grupa nie jest tak duża. Konkurs zmienia się z tego, czy model który jest silniejszy, na to, czy ekosystem który jest większy.

Trzy sygnały

Pierwszym z nich jest to, że warstwa modeli w kodowaniu agentic staje się towarem powszechnym. Gdy model o pojemności 9B osiąga możliwości kodowania na poziomie agenta, tolerancyjna licencja umożliwia darmowe wykorzystanie komercyjne, a wersja w formacie GGUF działa na MacBooku – wtedy model przestaje być rzadki, podobnie jak obliczenia chmurowe sprawiły, że fizyczne serwery stały się mniej rzadkie. Wartość przenosi się w kierunku dopasowania do konkretnych scenariuszy oraz integracji z procesami pracy. Ten, kto podłączy Ornith do swojego repozytorium, połączy go z systemem CI/CD i dostosuje do własnych standardów kodowania oraz logiki biznesowej, to właśnie on zarabia pieniądze, a sam model nie kosztuje nic.

Po drugie, uczenie się przez wzmocnienie, które jednocześnie optymalizuje strukturę i rozwiązanie, może stać się nowym paradygmatem. Ornith nie jest pierwszym modelem przeszkolonym za pomocą uczenia się przez wzmocnienie, ale posuwa optymalizację obu tych elementów dalej niż wcześniejsze prace i popiera to sześcioma wynikami z testów benchmarkowych. Opisywana przyszłość to taka, w której modele same projektują swoje własne ramy, je uruchamiają, otrzymują informacje zwrotne z uczenia się przez wzmocnienie i wprowadzają ulepszenia w tych ramach – pętla, która może szybko przyspieszyć działanie, gdy zostanie zamknięta.

Trzecim punktem jest to, że open source po raz pierwszy ma przewagę strukturalną w erze agentów. Modele otwarte udowodniły swoją skuteczność w czacie, pisaniu i tłumaczeniu, ale wykonywanie złożonych zadań to pierwsza dziedzina, w której wyprzedziły konkurencję. To nie przypadek. Wywoływanie narzędzi, planowanie wieloetapowe oraz interakcja z otoczeniem to problemy inżynieryjne, a inżynieria sprzyja otwartej współpracy. Firma zamknięta może ukryć parametry modelu, ale nie może ukryć najlepszej architektury inżynieryjnej, a tysiąc programistów doskonalących jeden framework dla agentów zazwyczaj przewyższy projekt pojedynczego zespołu.

Stara pytanie, ponownie

Gdy analitycy z Goldman Sachs przyglądali się branży sztucznej inteligencji, zastanawiali się, czy tańsza inteligencja tworzy większe zapotrzebowanie, czy niszczy siłę cenową. To pytanie dotyczyło modeli podstawowych. Teraz odnosi się również do kodowania agentowego. Jeśli każdy będzie mógł korzystać z w pełni otwartej, wszechstronnej rodziny narzędzi, które można zainstalować lokalnie i które oferują najlepsze wyniki w środowisku otwartego kodu, dostępnej na zasadach licencji MIT, to co się stanie z ekonomiką kodu napisanego przy użyciu sztucznej inteligencji? Zespół Ornith odpowiedział na to swoimi działaniami: najpierw udostępnił narzędzia, a resztę rozwiązał później.

Literatura pokrewna

• Pętle kodowania agentowego: od jednej linijki w Bash do /goal, kontrol i ograniczeń — Praktyczny przewodnik po pętlach agentowych: pętla ralph, polecenia /goal i pętla w Claude Code, weryfikacja zewnętrzna, trzy limity wydatków oraz umiejętności warte zachowania, wraz z planem na pierwszy tydzień.
• Notatki praktyczne: Qwen 3.8 w końcu jest dostępny, kodowanie agentowe na poziomie Opus z lokalnymi zasobami — Szczegółowy przewodnik po notatkach praktycznych: Qwen 3.8 w końcu jest dostępny, kodowanie agentowe na poziomie Opus z lokalnymi zasobami: umowy, sprawdzania oraz miejsca na kod do wstawienia dla zespołów wdrażających ten model.
• Dlaczego modularne monorepo nadaje się dla agentów kodujących: Widzieć wszystko, dotykać niewiele — Polyrepos oślepiają agenty, a nieuporządkowane monorepos je zalewają. Otwarty kontekst, inkapsulacja oraz rzeczywisty graf zależności sprawiają, że modularne monorepo sprawdza się w pracy z agentami.
• Co zmienia się w testowaniu agencyjnym dla QA i gdzie nadal pozostaje w tyle — Skrypty i systemy samonaprawcze przestają działać, gdy zmienia się interfejs użytkownika. Agenci przeglądarki kierowane intencją zmniejszają konieczność konserwacji, ale zregulowane procesy i nietypowe interfejsy wciąż wymagają uwagi.
• Testowanie AI agencyjne w SaaS: Jak agenci kierowani celami zastępują kruche skrypty — Dlaczego zestawy testowe w SaaS ciągle przestają działać, jak agenci AI kierowani celami badają aplikację i się dostosowują, gdzie pozostają w tyle oraz jak przeprowadzić pilotaż testowania agencyjnego.