Repo-lab
AIツール

Ornith-1.0 とは？自己改善型オープンソースコーディングAIの全貌と実践ガイド

⭐ 1,604 stars GitHub →

Ornith-1.0 とは？自己改善型オープンソースコーディングAIの全貌と実践ガイド

Ornith-1.0は、DeepReinforce社が開発したエージェントコーディング特化のオープンソースLLMです。9Bから397Bまでのモデルサイズが揃い、MITライセンスで商用利用も可能。SWE-benchやTerminal-Benchで最高水準のスコアを達成しています。

GitHubで急上昇中の deepreinforce-ai/Ornith-1 をご紹介します。 スター数 1604★ を獲得し、AI分野で注目されているモデルです。

Ornith-1.0 とは？

Ornith-1.0は、エージェントコーディングに特化した自己改善型オープンソースLLMです。DeepReinforce社が強化学習（RL）を用いて開発し、モデルがタスクの解決策だけでなく、そのスキャフォールド（実行計画・ツールコール・エラー回復戦略）も同時に学習する仕組みが最大の特徴です。

9B Dense・35B MoE・397B MoEの各サイズが用意されており、すべてMITライセンスで公開されています。SWE-bench Verified（82.4%）、Terminal-Bench 2.1（77.5〜78.2%）などで同等クラスのオープンソースモデルを上回る性能を示しており、コントリビューター1名による小規模チームが開発した点も注目されています。

こんな人におすすめ:

  • エンジニア向け: MLエンジニア・AI研究者がvLLMやSGLangで本番サーバを構築し、Claude Code代替として使うエージェント開発に最適です。
  • 非エンジニア向け: プログラミング知識が必要なため、エンジニア専用ツールです。OllamaのGUIツールを使えば比較的容易にローカル試用が可能です。

主な機能・特徴

自己改善型トレーニングフレームワーク

Ornith-1.0の核心は「スキャフォールド（scaffold）の同時学習」です。通常のコーディングLLMは解答のみを最適化しますが、Ornith-1.0は強化学習により、問題解決の手順（ツールコール順序・エラー回復戦略・検索戦略）も同時に最適化します。これにより長いエージェントセッションでより効率的な探索軌跡を生成できます。

充実したモデルラインナップ

チェックポイント アーキテクチャ フォーマット 推奨用途
Ornith-1.0-9B Dense (~9B) bf16 シングルGPU推論・ファインチューニング
Ornith-1.0-9B-GGUF Dense (~9B) GGUF（量子化） llama.cpp / Ollamaでのローカル推論
Ornith-1.0-35B MoE (35B) bf16 フルプレシジョン多GPU推論
Ornith-1.0-35B-FP8 MoE (35B) FP8 VRAM削減版（FP8対応GPU）
Ornith-1.0-397B MoE (397B) bf16 高精度本番エージェント

幅広い推論エンジン対応

vLLM（≥0.19.1）・SGLang（≥0.5.9）・Hugging Face Transformers（≥5.8.1）・Ollama・llama.cppに対応し、すべてOpenAI互換APIとして利用できます。256Kトークン（262,144トークン）の大規模コンテキストウィンドウを持ち、長いコーディングセッションにも対応します。

使い方・始め方

OllamaによるローカルLLM起動（最短手順）

最も簡単な方法はOllamaを使ったGGUF版の実行です：

# 9B GGUFモデルをダウンロードして起動
ollama run hf.co/deepreinforce-ai/Ornith-1.0-9B-GGUF

vLLMによる本番サーバ構築

エージェント開発や本番環境ではvLLMが推奨されます：

MODEL=deepreinforce-ai/Ornith-1.0-35B

vllm serve $MODEL \
    --served-model-name Ornith-1.0 \
    --tensor-parallel-size 4 \
    --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

OpenAI互換クライアントでの利用

サーバ起動後、OpenAI互換クライアントで呼び出せます：

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": "Pythonでクイックソートを実装してください。"}],
    temperature=0.6,
    top_p=0.95,
    max_tokens=2048,
)

# reasoning_contentに思考過程、contentに最終回答が入ります
print("思考:", getattr(response.choices[0].message, "reasoning_content", None))
print("回答:", response.choices[0].message.content)

推奨サンプリングパラメータは temperature=0.6, top_p=0.95, top_k=20 です。

活用事例

社内コードレビュー自動化エージェント構築

MLエンジニア向けシナリオ: vLLM + 35B MoEモデルを社内サーバにデプロイし、GitHubのPRに自動コメントするレビューエージェントを構築します。SWE-bench Pro（50.4%）で示された長文コード理解能力を活かし、バグ検出・リファクタリング提案を自動化できます。

ローカルClaude Code代替として活用

スタートアップAIエンジニア向けシナリオ: 9B GGUFをOllamaで動かし、Claude Code APIコストを削減しながら開発速度を維持します。Terminal-Bench 2.1（Claude Codeハーネス）で78.2%のスコアは、プロプライエタリモデルと競合するレベルであり、実用的なローカル代替として機能します。

Ornith-1.0との違い・なぜ今このツールか

CodeQwen・Deepseekcoder等との比較

Ornith-1.0の最大の差別化ポイントは「スキャフォールド同時学習」です。Qwen3.5-35B（Terminal-Bench 41.4%）と比較してOrnith-1.0-35B（64.2%）が約23ポイント上回る背景には、解答品質だけでなくエージェント的な行動戦略そのものをRLで最適化している点があります。LangChainのような外部フレームワーク不要で、モデル自体がスキャフォールドを生成するため、よりシンプルなアーキテクチャで高性能を実現しています。

GitHubで急上昇している背景

SWE-bench Verified 82.4%はClaude Opus 4.7（87.6%）と同等クラスの結果であり、「オープンソースでOpusレベルのコーディング性能が得られる」という訴求がエンジニアコミュニティに強く響きました。MITライセンスで商用利用・改変が自由な点も差別化要因です。

こんな人に向いている

MLエンジニア・AIエンジニア

自社インフラでコーディングエージェントを動かしたいMLエンジニアに最適です。vLLMとの組み合わせでスケーラブルなエージェントAPIを構築でき、SWE-benchのスコアが高いためコードのバグ修正・リファクタリング自動化に実績があります。

AI研究者・学術研究者

RL by Scaffoldという新しいトレーニング手法を試したい研究者に向いています。MITライセンスで自由にファインチューニング・改変・論文引用ができます。

コスト意識の高いスタートアップ開発者

Claude/GPT-4のAPIコスト削減を検討している開発者は、9B GGUFをローカルで動かすことでAPIコストをゼロにしながら高品質なコーディングアシスタンスを維持できます。特に大量のコードレビューやCI/CDパイプライン組み込みに有効です。

使う前に知っておきたいこと

必要なハードウェアスペック

モデル 必要VRAM 推奨構成
9B (bf16) ~18GB RTX 4090 / A10G 1枚
9B-GGUF (Q4) ~6GB RTX 3060以上
35B MoE (FP8) ~30GB A100 / H100 1枚
397B MoE (FP8) ~200GB+ A100 / H100 × 4〜8枚

既知の問題・制限事項

ツールループ問題: GitHub Issuesで最も報告されているのが「stuck in tool loops」です。長いエージェントセッションで同じツールを繰り返し呼び出すパターンが発生します。回避策としてコンテキスト長の制限（--max-model-lenを適切に設定）とシステムプロンプトでのループ検知指示が有効です。

31Bモデル未公開: READMEには31B Denseと記載がありますが、2026年7月時点でHuggingFaceに公開されていません（Issueとして報告中）。

推論エンジンバージョン制限: Transformers ≥ 5.8.1、vLLM ≥ 0.19.1、SGLang ≥ 0.5.9が必要です。古いバージョンでは動作しません。

関連ツール・おすすめサービス

  • Perplexity AI — Ornith-1.0の使い方調査や技術情報収集にAI検索ツールも活用できます
  • DigitalOcean — GPU Dropletsでvllm+Ornith-1.0をクラウドデプロイする際の選択肢の一つです

まとめ

Ornith-1.0は、エージェントコーディングに特化した数少ないオープンソースLLMとして、Claude Opus 4.7と同等クラスのコーディング性能をMITライセンスで提供します。スキャフォールド同時学習というユニークなRLアプローチにより、単純なコード補完ではなくエージェント的な問題解決能力に特化しています。ツールループの既知問題はありますが、コンテキスト管理とシステムプロンプトの工夫で回避可能です。ローカルLLMを活用したコーディングエージェント構築を検討しているMLエンジニアに強くおすすめします。

GitHub でチェックする →

この技術を学ぶ

AIに興味を持った方には、UdemyのオンラインコースもAI学習のきっかけになります。

毎日更新のGitHubツール情報

LINEで受け取って最新情報をキャッチアップしよう

友達追加する（無料）

関連記事

この記事が役に立ったらシェアしてください