自分で「足場」を学習する—従来のコーディングAIとの根本的な違い

DeepReinforce が 2026 年 6 月 25 日に発表した Ornith-1.0 は、単なる新しいコーディングモデルではなく、AI エージェント設計の新しい考え方を体現しています（出典）。

従来のコーディングエージェントは、人間が事前に設計した固定的な「ハーネス」（手順やツール呼び出しの枠組み）にモデルを組み込む方式が一般的でした。これに対し Ornith-1.0 では、強化学習（RL）のプロセスの中で、モデル自身がこの足場を書き換え最適化していく仕組みを取り入れています。

つまり、人間が「どのように問題を解くべきか」を指定するのではなく、モデルが試行錯誤の中で「より良い解き方」を自ら発見する形になるということです。

このアプローチは、従来の LLM チューニングの発想を大きく変えるものだと感じます。ローカル LLM を動かしている開発者の方なら、この「学習時の自由度」がもたらす可能性の大きさが実感できるのではないでしょうか。

モデルラインナップと技術的なスペック

Ornith-1.0 は 4 つのサイズで展開されています。

モデル パラメータ ベース 形式
Ornith-1.0-9B Dense 90 億 Gemma 4 / Qwen 3.5 密集型
Ornith-1.0-31B Dense 310 億 Gemma 4 / Qwen 3.5 密集型
Ornith-1.0-35B MoE 約 30 億 / トークン Gemma 4 / Qwen 3.5 Mixture-of-Experts
Ornith-1.0-397B MoE 約数百億 / トークン Gemma 4 / Qwen 3.5 Mixture-of-Experts（旗艦版）

注目すべきは Mixture-of-Experts（MoE）版の効率性 です。35B MoE モデルは実際には 1 トークンあたり約 3B のパラメータしか活性化しないため、推論時の計算コストが大幅に削減されます。GPU メモリが限られた環境では、この性質が実用性を大きく左右するでしょう。

Ornith-1.0 は全モデルが MIT ライセンスで Hugging Face に公開されており、商用・研究用を問わず自由に利用できます。

デプロイメントも現実的です。最小の 9B モデルは bf16 形式で約 19GB のメモリを必要とし、NVIDIA 80GB GPU（H100 や A100）1 枚で十分に稼働します。vLLM・SGLang・Transformers など標準的なサーボフレームワークに対応し、OpenAI 互換のエンドポイント公開にも対応しているため、既存のエージェントフレームワークでコード変更なしに統合できるはずです。

ベンチマークの実態—Claude Opus との比較

DeepReinforce チームの報告では、Ornith-1.0-397B が Claude Opus 4.7 を両ベンチマークで上回った とされています。ただし、より重要な注釈があります。

最新版の Claude Opus 4.8 および GLM-5.2-744B に対しては及ばない という点です。これは現在のオープンソースと商用の先端モデルの力関係を正直に示しているのではないでしょうか。

実用面では、9B・31B といった軽量版の性能が重要です。エッジ環境やコスト制約のある開発では、「フル機能モデルより若干劣るが、オンプレミスで全コントロール可能」というトレードオフが大きな価値を持つからです。

報酬ハッキングから身を守る—3 層の防御機構

Ornith-1.0 の設計に驚かされるのが、強化学習ならではのリスク対策です。RL 学習では、モデルが「本来の目的を達成せず、報酬関数の抜け穴を突く」ことが知られています。Ornith-1.0 では 3 つの層で防御されています。

  • 固定信頼境界：モデルが操作できない基本ルール
  • 確定的監視機構：振る舞いを監視するシステム（ランダム性がない）
  • 凍結 LLM ジャッジ：最終的な成功判定を行う独立したモデル（学習中は更新されない）

こうした設計思想は、自動運転や医療 AI などの高リスク領域からの学びが反映されているように感じます。セキュリティを意識する開発者の方であれば、この多層防御の重要性は腑に落ちるはずです。

デプロイと実運用のポイント

Ornith-1.0 の実運用では、いくつかの選択肢があります。

  • FP8 量子化版：精度を若干落とす代わりにメモリ使用量を削減
  • GGUF フォーマット版：llama.cpp など軽量推論エンジンでの動作を想定
  • クラウド統合：GCP Cloud Run や AWS SageMaker での運用も視野に

自宅の自作 PC（RTX 3090）での検証なら、9B～31B 密集型モデルが現実的な選択になるでしょう。397B MoE となると、複数 GPU の構成か、高い GPU メモリを持つクラウドインスタンスが必要になります。

重要な点は、すべてのモデルが推論トレース機能を搭載していることです。モデルが生成した <think> ブロック（思考過程）を別フィールドで取得でき、エージェントがなぜそう判断したかを可視化できます。これはデバッグやシステム信頼度の向上に直結します。