Découvrez Ornith, le modèle open source conçu pour les agents, pas pour les humains

DeepReinforce, un laboratoire de recherche en IA anciennement connu pour CUDA-L1 et le cycle d'optimisation des agents de code IterX, a lancé Ornith-1.0 à la fin de la semaine dernière, une famille de modèles de code open source disponibles sur Hugging Face en quatre tailles basées sur le nombre de paramètres : 9 milliards, 31 milliards, 35 milliards en mélange d'experts et un modèle phare de 397 milliards en mélange d'experts, le tout sous licence MIT sans restrictions régionales.

Les paramètres sont essentiellement le nombre de paramètres et de configurations qu'un modèle peut gérer lors de sa formation. Plus il y a de paramètres, plus un modèle est performant. Un modèle avec 9 milliards de paramètres est considéré comme petit, suffisant pour fonctionner sur un bon smartphone, mais pas capable d’effectuer des tâches de raisonnement complexes de manière fiable. Un modèle de 397 milliards de dollars est beaucoup plus performant, mais nécessite une puissance de calcul considérable, qui n'est pas disponible dans le matériel grand public.

Le laboratoire le décrit comme « une famille de modèles open source dotés de capacités d'auto-amélioration, conçus spécialement pour les tâches de codage agent ». Ce mot – agent – ​​a beaucoup de poids.

La plupart des IA avec lesquelles les gens interagissent sont conversationnelles : vous tapez, elle répond et l’échange se termine. L'IA agentique est différente : elle reçoit une tâche et exécute des actions pour la terminer sans qu'un humain ne guide chaque étape. Dans un contexte de programmation, cela signifie une IA qui lit les fichiers, exécute des tests, identifie ce qui a échoué, corrige le code et répète le cycle jusqu'à la fin.

L'IA agentique signifie que personne n'a besoin d'être au clavier pendant la majeure partie du processus. C'est le point central. C’est également dans cette direction que les progrès les plus pertinents sur le plan commercial se produiront en 2026 : les modèles capables d’exécuter des workflows de développement en 20 étapes sans surveillance valent plus que ceux qui écrivent simplement une fonction propre lorsqu’on leur demande.

Cependant, la plupart des grands modèles linguistiques (LLM) sont toujours conçus en tenant compte des commentaires humains.

Comment fonctionne le cerveau d'Ornith

La plupart des agents de code d’IA sont associés à un cadre conçu par l’homme – un ensemble fixe de règles sur la manière dont l’agent structure son travail : quand appeler un outil, comment gérer une erreur, comment décomposer un problème en plusieurs étapes. Ornith, en revanche, « traite le cadre comme un objet apprenable qui évolue avec la politique ».

En d’autres termes : au lieu d’hériter du manuel de quelqu’un d’autre, vous développez le vôtre.

Lors de l’apprentissage par renforcement, chaque étape de formation se déroule en deux étapes. Le modèle lit d'abord la tâche et propose une stratégie raffinée pour l'aborder. Utilisez ensuite cette stratégie pour générer une solution.

Le résultat de la récompense revient aux deux étapes : le modèle est donc optimisé pour écrire de meilleures stratégies, et pas seulement un meilleur code. En répétant cela des milliers et des millions de fois, des approches spécifiques à chaque tâche émergent sans qu'un être humain ne les conçoive.

DeepReinforce prend également au sérieux le piratage de récompenses. Si le modèle peut écrire son propre cadre de formation, il pourrait théoriquement en écrire un qui tromperait le vérificateur, en modifiant un fichier pour donner l'impression qu'il a accompli une tâche sans l'avoir réellement fait. Trois niveaux de défense bloquent cela : l'environnement et la suite de tests sont immuables et hors de portée du modèle, un moniteur déterministe signale toute tentative d'accès à des chemins restreints ou de modification des scripts de vérification, et un juge de modèle gelé se trouve au-dessus du vérificateur automatisé comme un veto.

Les chiffres

Le modèle phare de 397 milliards de paramètres a obtenu un score de 82,4 sur SWE-bench Verified, un test dans lequel une IA reçoit un vrai bug d'un référentiel GitHub open source et doit le corriger sans voir la suite de tests, évalué en pourcentage de problèmes qu'elle résout avec succès.

Cela bat les 80,8 de Claude Opus 4.7 et les 80,6 de DeepSeek-V4-Pro dans le même test. Dans Terminal Bench 2.1 – 89 tâches exécutées dans des environnements de terminaux conteneurisés allant du débogage de code asynchrone à la résolution de vulnérabilités de sécurité, évaluées en fonction du taux d'achèvement – ​​il a obtenu un score de 77,5 contre 70,3 pour Claude Opus 4.7.

Depuis que des inquiétudes concernant la contamination de SWE-bench ont été soulevées publiquement – ​​OpenAI a fait valoir plus tôt cette année que les modèles gonflaient leurs scores en mémorisant des solutions de référence vues lors de la formation – Ornith rapporte également des chiffres sur SWE-bench Pro, une version plus difficile qui utilise des bases de code plus diverses et moins filtrées, évaluée de la même manière. Le modèle de 397 milliards y a obtenu une note de 62,2. Nettement inférieur, mais toujours compétitif par rapport au reste du peloton, et toujours meilleur que le Deepseek V4 Pro.

Le modèle à 9 milliards de paramètres pourrait être la donnée la plus intéressante. Il a obtenu un score de 69,4 sur le banc SWE Verified, supérieur aux 52 de Gemma 4-31B et compétitif avec les 70 de Qwen 3,5-35B, bien qu'il soit 3 à 4 fois plus petit.

À qui s’adresse-t-il et à qui ne s’adresse-t-il pas ?

Ornith-1.0 n'est explicitement pas une IA à usage général. La propre documentation du modèle indique qu'il peut être sous-performant sur des tâches en dehors du codage agent. Si vous souhaitez qu'une IA résume un document, vous aide à rédiger votre thèse de doctorat ou rédige un email, Ornith-1.0 n'est pas le bon choix.

Il est optimisé pour un ensemble restreint de problèmes : les pipelines de développement dans lesquels un agent d'IA reçoit une description de tâche, opère dans un référentiel de code ou une session de terminal et effectue un travail en plusieurs étapes sans intervention. Il s'agit d'un outil conçu pour les personnes qui exécutent déjà une infrastructure d'agents, et non pour celles qui décident si l'IA vaut la peine d'être utilisée.

Le titre « surperforme Claude » est réel, mais nécessite un contexte. Comme indiqué Décryptertous les laboratoires recherchent désormais les performances lors des évaluations de codage agent, car c'est là que se situent les différences de performances vraiment utiles.

L'Ornith-1.0-397B surpasse le Claude Opus 4.7 dans deux tests d'encodage différents, mais le modèle phare actuel d'Anthropic, le Claude Opus 4.8, obtient des scores plus élevés. La comparaison prise en charge appartient à la catégorie open source, avec des quantités comparables de paramètres, dans des tâches spécifiques d'agent de codage.

Pour les développeurs qui créent des pipelines de codage auto-hébergés, une infrastructure agent ou un travail similaire axé sur le code, les modèles de petite et moyenne taille fonctionnant sur du matériel de pointe peuvent être véritablement utiles, mais l'utilisateur moyen a probablement intérêt à chercher ailleurs.

Trezor Model T – Portefeuille Matériel de Crypto-Monnaie de Nouvelle Génération avec Écran Tactile Couleur LCD et USB-C, Stockez Votre Bitcoin, Ehereum, ERC20 et Plus en Toute Sécurité