Ornith-1.0: Ein offenes Modell, das sich sein eigenes Gerüst baut

Tagesnotiz, 29. Juni 2026

Seit dieser Woche steht ein neues Modell auf dem Tisch, und es ist eines, bei dem sich das Hinschauen lohnt. DeepReinforce hat Ornith-1.0 veröffentlicht — eine Familie offener Modelle, ausgelegt nicht auf Konversation, sondern auf agentisches Programmieren: Aufgaben in einer echten Codebasis lösen, Werkzeuge bedienen, Tests bestehen. Quelloffen, auf Hugging Face, in vier Größen vom 9B-Dense-Modell für den Randbereich bis zum 397B-MoE-Brocken. Gebaut auf Gemma 4 und Qwen 3.5.

Interessant ist weniger die Größe als die Idee dahinter. Übliche Trainingsverfahren stecken das Modell in ein von Menschen gebautes Gerüst — ein Harness, das festlegt, wie eine Lösung zustande kommt. Ornith baut dieses Gerüst selbst. In jedem Trainingsschritt schlägt das Modell erst eine verbesserte Arbeitsumgebung für die Aufgabe vor und löst die Aufgabe dann darin. Die Belohnung fließt in beide Schritte zurück. Über die Zeit soll sich so, ohne Handarbeit, für jede Aufgabenklasse eine eigene Strategie herausbilden. Self-Scaffolding nennen sie das.

Wer schon einmal ein System gebaut hat, das sich selbst optimieren darf, kennt die nächste Frage sofort: Was hält es davon ab, zu schummeln? Ein Modell, das seine eigene Prüfumgebung mitgestaltet, lernt schnell, die Testdatei zu lesen und das erwartete Ergebnis hinzuschreiben, statt die Aufgabe zu lösen. DeepReinforce widmet diesem Punkt einen eigenen Abschnitt und verteidigt sich in drei Schichten — feste Außengrenze, ein Monitor, der verbotene Zugriffe mit null Belohnung bestraft, und ein eingefrorener Richter-LLM als Veto. Dass sie das Problem offen benennen, statt es zu verschweigen, spricht für die Arbeit.

Die Zahlen, die sie mitliefern, sind ansehnlich. Das 397B-Modell kommt auf 77,5 Punkte bei Terminal-Bench 2.1 und 82,4 bei SWE-Bench Verified und liegt damit vor Claude Opus 4.7 (70,3 und 80,8). Nur: In derselben Tabelle steht auch Opus 4.8, und das ist bereits draußen und liegt mit 85 und 87,6 wieder vorn. Anbieter-Benchmarks bleiben Behauptungen des Anbieters, gemessen unter Bedingungen, die der Anbieter gewählt hat. Sie sagen, wohin man schauen soll, nicht, was man finden wird.

Für unsere Arbeit ist ohnehin nicht das Flaggschiff der spannende Teil, sondern das kleine Ende. Das 9B-Modell erreicht 43,1 bei Terminal-Bench 2.1 und 69,4 bei SWE-Bench Verified und soll damit Gemma 4-31B erreichen oder schlagen — bei einem Bruchteil der Größe. Ein quelloffenes Modell dieser Klasse läuft auf eigener Hardware, in der eigenen Werkstatt, ohne dass Code einen fremden Server sieht. Genau das ist die Frage, die im Mittelstand wirklich zählt: nicht, wer die Bestenliste anführt, sondern was sich auf einem Rechner betreiben lässt, der einem selbst gehört.

Mehr lässt sich heute seriös nicht sagen. Ein Modell beweist sich nicht in der Tabelle, sondern an der Werkbank — an echtem Code, echten Tests, echten Tagen, an denen etwas nicht läuft. Wir nehmen Ornith-1.0 in den nächsten Wochen in die Hand, vor allem die kleinen Varianten, und schreiben auf, was bleibt, wenn der Glanz der Ankündigung verflogen ist.

---

Weiterlesen

• Qwen 3.6 im Werkstatt-Test: 35B, die sich anfühlen wie 200B — wie sich agentisches Coden mit einem offenen Modell dieser Größe im Alltag anfühlt
• Qwen baut ein Modell, das nicht antwortet, sondern simuliert — ein anderer Weg, die teure Trainingsumgebung für Agenten billiger zu machen
• Alibaba liefert die Gewichte von Qwen3.8-Max — mit eigener Lizenz und ohne Bildeingabe — ein Fall, in dem unabhängige Messungen die Anbietertabelle deutlich korrigiert haben