Ornith 1.0: el modelo abierto que dice igualar a Claude Opus

“Ornith 1.0 supera a Claude Opus 4.7, y es gratis.” Un titular así hace que cualquiera que programe con Inteligencia Artificial pare el dedo.

Vale, sí, es un poco de clickbait. Pero hay un modelo real detrás, con pesos abiertos y licencia permisiva, que merece una mirada tranquila: qué es, qué dicen sus cifras y, sobre todo, quién las ha medido.

Qué es Ornith 1.0

Gigazine contó el 29 de junio de 2026 que la organización de investigación DeepReinforce había anunciado el 25 de junio una familia de modelos abiertos para programación con agentes. La familia tiene cuatro tamaños:

• 9B densa, pensada para dispositivos modestos.
• 31B densa, que no estaba publicada cuando Gigazine escribió su artículo.
• 35B MoE, que activa unos 3.000 millones de parámetros por cada token.
• 397B MoE, el buque insignia.

Los modelos “densos” usan todos sus parámetros siempre; los MoE (mezcla de expertos) solo activan una parte según la entrada, y por eso un modelo enorme puede ser más ligero de ejecutar de lo que parece.

Se publican en una colección de Hugging Face bajo licencia MIT (la del 9B, el 35B y el 397B). Y se han construido sobre modelos base de la familia Gemma 4 y de Qwen 3.5, según el análisis de Codersera.

El truco: aprender su propio andamiaje

Lo más original no son las cifras, es el método. En un agente de programación normal, un humano diseña el “andamiaje” (el conjunto de herramientas y pasos con los que el modelo trabaja). DeepReinforce dice que Ornith aprende y optimiza su propio andamiaje durante el entrenamiento con aprendizaje por refuerzo, a lo que llaman self-scaffolding RL. Según la empresa, eso evita trampas del tipo reward hacking y mejora el rendimiento del agente.

Es una afirmación del fabricante. Suena razonable y está sin verificar por terceros.

Qué dicen los números (y quién los ha medido)

Aquí viene la parte que los vídeos de un minuto se saltan. Todas las cifras de benchmark que he encontrado son del propio fabricante. Codersera señala que, cuando se publicó su análisis, no habían aparecido pruebas independientes.

Con esa advertencia, esto es lo que se publica del modelo grande (397B):

Prueba	Ornith 397B	Claude Opus 4.8
SWE-bench Verified	82,4	88,6
SWE-bench Pro	62,2	69,2
SWE-bench Multilingual	78,9	84,4
Terminal-Bench 2.1	77,5	74,6 o 85, según el arnés

Y aquí está la trampa del titular: el lanzamiento compara con Opus 4.7, no con la 4.8. Frente a la 4.7, un resumen en vídeo recoge 77,5 contra 70,3 en Terminal-Bench y 82,4 contra 80,8 en SWE-bench Verified. Frente a la 4.8, que era la versión vigente cuando se publicaron estas cifras, Opus gana en las tres variantes de SWE-bench. Y desde entonces Anthropic ya ha sacado la familia Claude 5, así que la comparación ha envejecido un escalón más.

Dos cosas más antes de emocionarse:

• Terminal-Bench depende mucho del arnés con el que se pruebe, así que comparar tablas de distintos sitios mide en parte el andamiaje, no solo el modelo.
• SWE-bench Verified es muy de Python, y que un modelo brille ahí no significa que lo haga igual en tu código en otro lenguaje.

Mi conclusión, sin dramatismos: está cerca, no es mejor. Gana donde el arnés le favorece y pierde en el resto. Como dice el propio análisis de Codersera, Opus gana en precisión y Ornith gana en coste y privacidad.

Cómo leer un benchmark de programación sin que te líen

Una tabla de resultados es el principio de la conversación, no el final. Antes de fiarte de una, hazte tres preguntas:

1. ¿Quién la ha medido? Si es el propio fabricante, descuenta un poco, igual que harías con cualquier anuncio.
2. ¿Contra qué versión se compara? Ganarle a un modelo que ya tiene sucesor es una victoria con fecha de caducidad.
3. ¿Se parece la prueba a tu trabajo? Resolver incidencias de proyectos de Python de código abierto no es lo mismo que mantener tu aplicación de gestión en otro lenguaje.

La única medida que importa de verdad es probarlo con tu código durante una semana. Es aburrido y funciona.

”Es gratis”: qué significa de verdad

Los pesos se descargan gratis. Eso no significa que ejecutarlo sea gratis. El 397B es un modelo de clase servidor, con varias GPU, y no tiene sentido pensar en él como algo para tu portátil.

Los pequeños son otra historia:

• 9B: SWE-bench Verified de 69,4 y Terminal-Bench 2.1 de 43,1 según el fabricante. Cabe en equipos modestos, pero queda claramente por debajo de Opus.
• 35B MoE: 64,2 en Terminal-Bench 2.1. Un usuario de la comunidad contó 25-35 tokens por segundo con la versión cuantizada Q4 en una RTX 4060 de 8 GB con 32 GB de RAM usando llama.cpp. Es un testimonio suelto, no una prueba, pero da una idea de lo asequible que es.

Y aquí enlazo con lo que ya conté: ejecutar modelos en local depende de la memoria. Si te interesa, mira por qué la memoria manda en la Inteligencia Artificial local, sobre todo ahora que está carísima.

Para quién tiene sentido

• Si programas con código que no puede salir de tu red: un modelo abierto en tu máquina o tu servidor tiene un valor que ningún benchmark mide.
• Si quieres ahorrar en uso intensivo: un 35B local es mucho más barato por token que una API, a costa de algo de calidad.
• Si lo que necesitas es la máxima precisión: ya Opus 4.8 le ganaba, y los Claude 5 son posteriores. No hay manera bonita de decirlo.

Si en tu empresa estáis valorando montar un asistente de programación o un modelo propio y no sabéis cuánto hardware pide cada opción, puedo ayudarte a dimensionarlo antes de comprar nada.

No he podido ver el vídeo que dio pie a este post, así que me ciño a las fuentes publicadas. Ojo también: la propia ficha del vídeo lo llama a veces “Open Earth”, un error de transcripción, y de ahí la importancia de ir a la fuente.

¿Quién ha creado Ornith 1.0?

DeepReinforce, una organización de investigación en Inteligencia Artificial, que anunció la familia el 25 de junio de 2026 con licencia MIT.

¿Ornith 1.0 supera de verdad a Claude Opus?

Según los resultados del propio fabricante supera a Opus 4.7 en algunas pruebas, pero esos resultados no estaban verificados por terceros y Opus 4.8, más reciente, gana en las variantes de SWE-bench. Anthropic ya ha sacado después la familia Claude 5. Depende de la prueba y del arnés.

¿Puedo ejecutar Ornith en mi ordenador?

Los modelos pequeños sí: el 9B está pensado para equipos modestos y un usuario de la comunidad reportó que el 35B cuantizado funciona en una RTX 4060 de 8 GB con 32 GB de RAM. El 397B necesita hardware de servidor.

Fuentes

• Gigazine: Ornith-1.0, un modelo de Inteligencia Artificial abierto para programación con agentes (29 de junio de 2026)
• Codersera: Ornith 1.0 vs Claude Opus 4.8 for Coding (2026)
• Video Highlight: resumen del vídeo “Ornith 1.0 Beats Claude Opus 4.7”
• BenchLM: Claude Opus 4.7 vs Ornith 1.0 397B

Compártelo si te ha resultado útil.

¿Has probado algún modelo abierto para programar en local? Cuéntame.

Y… cuando alguien lo mida por su cuenta, hablamos.