Ornith-1.0：エージェント型コーディング用オープンソースモデル

Ornith-1.0 は、自律的なコード作成（エージェント型コーディング）に向けた自己改善型のオープンソースモデルです。

ハイライト

• 最先端の性能: Gemma 4 および Qwen 3.5 を基盤に後トレーニングされ、Terminal-Bench 2.1やSWE-Benchなど主要なベンチマークでトップクラスのパフォーマンスを記録しています。
  • 提供されているバージョン：9B-Dense、31B-Dense、35B-MoE、397B-MoE の 4 つ。
• 自己改善型フレームワーク: 強化学習（RL）を用いて、単なるコード実行だけでなく、**スカルフォールド（構造的なサポート手順書）**も同時に学習・最適化します。これにより高品質なソリューションが生成されます。
• 利用制限なし: MIT ライセンスであり、世界中で自由に利用・アクセス可能です。

ベンチマーク結果

各モデルはサイズに相応しい基準モデルと比較して評価されています（全ての評価に同じ設定を使用）。

Ornith-1.0-9B

Ornith-1.0-9B は Qwen3.5 や Gemma4 の 9B/31B モデルを上回り、SWE-bench Verified で69.4%、Claw-eval Avg で**63.1%**のスコアを達成。

Ornith-1.0-35B

Ornith-1.0-35B は同等クラスの Qwen3.5-35B または Gemma4-31B を凌ぎ、SWE-bench Verified で75.6%、Claw-eval Avg で**69.8%**のスコアを記録。

Ornith-1.0-397B

超大規模モデルとして、Claude Opus 4.8 に次ぐ SWE-bench Verified スコアを記録。SWE Atlas RF で**42.6%**という高スコアを発揮しました。

注: Terminal-Bench, SWE-bench, NL2Repo など、主要ベンチマークの詳細数値と評価設定については公式データ表を参照してください。

クイックスタート

環境要件（インストール） 推論モデルを使用するため、以下の最新ランタイムが必要です。

• Transformers

  ≥ 5.8.1

• vLLM

  ≥ 0.19.1

• SGLang

  ≥ 0.5.9

推奨パラメータ ベンチマークを再現するには

temperature=1.0

temperature=0.6

• top_p

  : 0.95

• top_k

  : 20

チェックポイントの種類

Ornith-1.0-9B

Ornith-1.0-9B-GGUF

llama.cpp

Ollama

Ornith-1.0-35B

Ornith-1.0-35B-FP8

Ornith-1.0-397B

Ornith-1.0-397B-FP8

サービス提供（サービング）

OpenAI 互換インターフェースで、以下のレシピを参照して起動してください。VRAM 制限がある場合は

-FP8

vLLM サーバー起動

MODEL=deepreinforce-ai/Ornith-1.0-397B

# MoE モデルの場合は --tensor-parallel-size を指定 (Dense モデルは除外)
vllm serve $MODEL \
    --served-model-name Ornith-1.0 \
    --tensor-parallel-size 8 \
    --host 0.0.0.0 --port 8000 \
    --max-model-len 262144 \
    --gpu-memory-utilization 0.90 \
    --enable-prefix-caching \
    --enable-auto-tool-choice --tool-call-parser qwen3_xml \
    --reasoning-parser qwen3 \
    --trust-remote-code

SGLang サーバー起動

MODEL=deepreinforce-ai/Ornith-1.0-397B

python -m sglang.launch_server \
    --model-path $MODEL \
    --served-model-name Ornith-1.0 \
    --tp 8 \
    --host 0.0.0.0 --port 8000 \
    --context-length 262144 \
    --mem-fraction-static 0.85 \
    --tool-call-parser qwen3_coder \
    --reasoning-parser qwen3

ローカル推論（Transformers）

最新の Python スクリプトやオフラインテストに便利です。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "deepreinforce-ai/Ornith-1.0-9B"  # または -35B / -397B

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    dtype="auto",
    device_map="auto",
)

messages = [
    {"role": "user", "content": "is_prime(n) という Python 関数を短いものを書く。"}
]

text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

inputs = tokenizer(text, return_tensors="pt").to(model.device)
generated = model.generate(**inputs, max_new_tokens=512, do_sample=True, temperature=0.6)

output_ids = generated[0][inputs.input_ids.shape[1]:]
content = tokenizer.decode(output_ids, skip_special_tokens=True)
print(content)

Chat Completions API とツール連携

vLLM や SGLang サーバーを起動し、任意の OpenAI 互換クライアントからアクセス可能です。

基本的なチャット機能

推論トレース (

reasoning_content

content

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="EMPTY"
)

response = client.chat.completions.create(
    model="Ornith-1.0",
    messages=[{"role": "user", "content": "数を 2 乗する Python の lambda 式を書いてください。"}],
    temperature=0.6, top_p=0.95, max_tokens=1024,
)

print("reasoning:", getattr(response.choices[0].message, "reasoning_content", None))
print("answer:", response.choices[0].message.content)

ツール呼び出し（Tool Calls）

モデルは標準的な

tool_calls

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "都市の現在の天気を取得する",
            "parameters": {
                "type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="Ornith-1.0",
    messages=[{"role": "user", "content": "今のパリの天気はどうですか？"}],
    tools=tools, tool_choice="auto", max_tokens=2048,
)

tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.function.name, tool_call.function.arguments)
# 出力例: get_weather {"city": "Paris"}

エージェント型使い方 (Agentic Usage)

Ornith-1.0 はツール呼び出し能力に優れ、標準のエージェントフレームワークとすぐに連携できます。

MCP サーバー経由の接続例

import os
from openai import OpenAI

client = OpenAI(
    base_url=os.getenv("OPENAI_BASE_URL", "http://localhost:8000/v1"),
    api_key=os.getenv("OPENAI_API_KEY", "EMPTY"),
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "run_shell",
            "description": "シェルコマンドを実行し、その出力を返す。",
            "parameters": {"type": "object", "properties": {"command": {"type": "string"}}, "required": ["command"]}
        }
    }
]

response = client.chat.completions.create(
    model="Ornith-1.0", messages=[{"role": "user", "content": "現在のディレクトリの Python ファイルをリストしてください。"}],
    tools=tools, temperature=0.6
)
print(response.choices[0].message)

既存のエージェントハネスとの互換性

以下のツールは OpenAI 互換エンドポイントをそのまま利用可能です。

• Hermes Agent:

  OPENAI_BASE_URL

  を設定するだけで利用可能。
• OpenHands:

  openai/Ornith-1.0

  というプレフィックスで指定。

  pip install openhands-ai
  export LLM_MODEL="openai/Ornith-1.0"
  export LLM_BASE_URL="http://localhost:8000/v1"
  

• llama.cpp / Ollama: GGUF バージョン（9B, 35B）を直接ロード。

  # llama.cpp
  llama-server -hf deepreinforce-ai/Ornith-1.0-9B-GGUF --port 8000 -c 262144
  
  # Ollama
  ollama run hf.co/deepreinforce-ai/Ornith-1.0-9B-GGUF
  

• Unsloth Studio: ローカルでの高速推論・ファインチューニング。
• OpenClaw: オープンソースエージェントとして利用可能。

コーディング向け CLI: OpenCode

ローカルエンドポイントをプロバイダーとして登録し、大規模コードベースを理解・自動化します。

// ~/.config/opencode/opencode.json
{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ornith": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ornith (local)",
      "options": { "baseURL": "http://localhost:8000/v1", "apiKey": "EMPTY" },
      "models": { "Ornith-1.0": { "name": "Ornith-1.0" } }
    }
  }
}

引用（Citation）

本研究成果を引用する際は、以下を参照してください。

@misc{ornith-1.0,
    title = {{Ornith-1.0}: エージェント型コーディング、全員向け},
    url = {https://deep-reinforce.com/ornith_1_0.html},
    author = {{DeepReinforce チーム}},
    year = {2026}
}