Ornith-1.5, IA open source que iguala Claude Opus 4.8

Introdução

Ornith-1.5 é a nova família de modelos de IA open source orientada a agentes e código que reporta desempenho no nível do Claude Opus 4.8 em benchmarks de referência como Terminal-Bench 2.1 e variações do SWE-bench. A palavra-chave aqui é Ornith-1.5, porque o anúncio coloca o projeto no centro do debate sobre modelos abertos com capacidades de autoaperfeiçoamento e agenciamento prático. (ornith.ai)

Lançada em agosto de 2026, a linha chega em três escalas, 9B denso, 35B MoE e 397B MoE, com licenciamento MIT para pesos e foco declarado em geração de tarefas, scaffolds e soluções, tudo reforçado por aprendizado por reforço em loop. A tese, além do ganho incremental, é uma mudança de processo, sair de dados estáticos e passar a expandir o currículo de treino de forma contínua. (ornith.ai)

O anúncio dialoga diretamente com o atual estado da arte entre agentes e codificação. Claude Opus 4.8, referência proprietária, lidera baterias recentes de avaliações e, mesmo assim, ainda enfrenta longas trilhas em tarefas de uso de computador e fluxos complexos do mundo real. A comparação com Opus 4.8 contextualiza onde Ornith-1.5 pretende competir. (anthropic.com)

O que muda no treinamento, do auto-scaffolding ao autoaperfeiçoamento

A proposta central do Ornith-1.5 é transformar o pipeline de melhoria do modelo em um ciclo fechado. O sistema propõe novas tarefas com dificuldade de fronteira, constrói scaffolds específicos, executa rollouts e, a partir das recompensas, atualiza tanto a política quanto a própria geração de tarefas e de scaffolds. Em vez de depender de conjuntos fixos com curadoria humana, o currículo se expande de acordo com o que o modelo ainda não domina. (ornith.ai)

Três sinais definem a recompensa de tarefa, validade, dificuldade de fronteira e novidade. Validade direciona a geração para ambientes bem definidos e verificáveis, a dificuldade busca um alvo de sucesso por volta de 20 por cento para garantir aprendizado útil, e a novidade evita repetição de problemas já dominados. A recompensa do scaffold equilibra alinhamento com a tarefa, fidelidade do avaliador e resistência a hacks, e a recompensa dos rollouts captura o sucesso de execução. O pipeline roda com GRPO, criando um laço onde tarefas, scaffolds e rollouts evoluem em conjunto. (ornith.ai)

Esse design responde a dois gargalos recorrentes em modelos para agentes, dados específicos e orquestração. Ao ensinar o próprio modelo a propor, avaliar e reforçar novos casos, a equipe reduz dependência de coleções estáticas e experimenta um espaço mais amplo de estratégias de solução. Em teoria, esse mecanismo incentiva a descoberta de competências emergentes fora de benchmarks tradicionais.

Onde Ornith-1.5 afirma paridade com o Claude Opus 4.8

Os números auto-reportados colocam o Ornith-1.5-397B na casa de 86,1 no Terminal-Bench 2.1 e 56,0 no DeepSWE, com margem próxima ou alinhada ao Claude Opus 4.8, listado com 85,0 e 59,0 nesses testes. Em variações do SWE-bench, o 397B aparece com 86 em Verified e 65,1 no Pro, novamente competitivo no topo dos abertos e tangenciando o Opus em alguns cortes. (ornith.ai)

No modelo de 35B MoE, o Ornith-1.5 supera rivais de escala similar como Qwen 3.6-35B em benchmarks de agente e código, e o 9B denso entrega números que incomodam modelos muito maiores em vários cortes, algo crítico para quem busca custo menor por tarefa. Além disso, a equipe aponta uma versão quantizada do 9B para execução em dispositivos móveis, o que amplia o alcance prático. (ornith.ai)

Esses resultados chegam em um momento em que o Opus 4.8 consolidou seu papel como referência em tarefas longas e uso de ferramentas, com publicações de laboratório e system cards reforçando liderança em conjuntos como OSWorld 2.0 e estudos recentes de agentes no ambiente WorkBench. Trazer um open source para o mesmo patamar em cortes específicos chama atenção de times que equilibram custo, latência e governança. (arxiv.org)

Benchmarks, limitações e o que a verificação independente já mostrou

Avaliações de agentes e código são notoriamente sensíveis a setup, tempo de execução, versão de harness, formato de prompt e políticas de segurança, o que torna crucial acompanhar reexecuções independentes. Dias após o anúncio, análises de terceiros destacaram que a vantagem sobre Opus 4.8 depende do conjunto e que reexecuções podem reduzir ou inverter margens em cortes como DeepSWE. O consenso emergente, até aqui, é que a família 1.5 está efetivamente no pelotão de frente dos abertos, porém a paridade integral com Opus 4.8 varia por benchmark. (bracketcoder.com)

Outra ressalva, resultados de 5 execuções com médias atenuam variância, mas ainda podem esconder sensibilidades. O próprio blog da Ornith documenta detalhes do setup, de temperaturas a context windows, e descreve salvaguardas anti hacking nas avaliações, removendo histórico de Git ou rede, algo que reduz shortcuts mas não elimina todas as rotas de exploração. Essa transparência é positiva, e também é um lembrete, reproduzir é obrigação. (ornith.ai)

Para equipes que deployam agentes em produção, convém confrontar essas métricas com suites mais próximas de casos reais, WorkBench 2026 e OSWorld 2.0, por exemplo, mostram que até os melhores modelos completam apenas frações modestas de fluxos longos com uso intensivo de ferramentas. Em outras palavras, mesmo que Ornith-1.5 alcance Opus 4.8 em cortes de desenvolvimento, a distância para fluxos completos do mundo real permanece significativa. (arxiv.org)

Arquiteturas, pesos e licenciamento, do 9B ao 397B

A família 1.5 compõe um 9B denso e dois MoEs, 35B e 397B, todos com pesos disponibilizados e documentação ativa no Hugging Face. Os cards indicam contexto amplo, até 256k, e orientações específicas de inferência, além de coleções do time com histórico de atualizações. Para quem integra com runtimes populares, há notas sobre templates e ajustes de parsing em avaliações, úteis para alinhar treino e inferência. (huggingface.co)

O 9B quantizado para mobile chama atenção por permitir testes rápidos em hardware de borda e dispositivos de desenvolvedores, embora expectativas precisem ser calibradas, a paridade com modelos de 30 a 35B aparece em cortes específicos, não em todos. Já o 35B-A3B, uma arquitetura MoE com ativação parcial de parâmetros por token, entrega boa relação qualidade custo para tarefas de codificação e agente. (ornith.ai)

Casos de uso práticos, do coding agent ao copiloto com ferramentas

Modelos que brilham em Terminal-Bench e SWE-bench tendem a se traduzir bem em fluxos de patching de repositórios, resposta a issues, geração de scaffolds de teste e reparo incremental de bugs. Em times de engenharia, o 35B pode assumir tarefas de maior complexidade, enquanto o 9B se encaixa como assistente rápido em triagem e automações internas. A disciplina de orquestração importa, usar prompts que mantêm raciocínio estruturado, restringir ações perigosas, preferir rollouts curtos e verificáveis, e versionar harnesses.

Para agentes que navegam, acessam APIs e manipulam documentos, métricas como Toolathlon, BrowseComp e MCP-Atlas ajudam a prever fricções, especialmente quando o agente precisa alternar entre leitura, busca, resumo e edição. Nesse terreno, o Opus 4.8 ainda aparece forte, portanto convém testar Ornith-1.5 lado a lado em fluxos reais como reconciliação de dados, geração de relatórios com busca, e workflows financeiros com validação. (ornith.ai)

Na borda, o 9B quantizado pode funcionar como co-processador de privacidade, fazendo pré e pós processamento local de texto e imagem, com escalonamento para a nuvem apenas quando necessário. Esse design híbrido reduz latência e custos, preserva dados sensíveis e mantém qualidade com fallback para modelos maiores sob demanda. (ithome.com)

Como validar o valor no seu contexto, um roteiro de adoção

• Reproduzir métricas internas com suas bases. Comece com subconjuntos representativos dos seus tickets e pull requests, simule ambiente de produção e use harnesses consistentes. Documente temperaturas, contextos e timeouts para isolar variáveis. (ornith.ai)
• Rodar head to head com Opus 4.8 e mais um concorrente relevante do seu stack, por exemplo um Qwen recente ou Gemma 4. Faça cortes de custo por tarefa, tempo por patch aceito e taxa de reversão. (ornith.ai)
• Medir segurança e confiabilidade com suites longas. WorkBench 2026 e OSWorld 2.0 seguem úteis porque expõem falhas de coordenação e uso de ferramentas que não aparecem em tarefas curtas. (arxiv.org)
• Integrar controles práticos, logs detalhados de ação e observabilidade, limites de orçamento por tarefa, listas de bloqueio de comandos e proteções anti hacking como as sugeridas nas avaliações públicas. (ornith.ai)

O que dizem repositórios e comunidade

Os repositórios e coleções no Hugging Face confirmam a disponibilidade dos pesos, árvore de modelos e documentação mínima para início rápido. Na comunidade, discussões iniciais relatam ganhos de desempenho prático em hardware local, além de tentativas de quantização e comparações com famílias Qwen. Esse material é útil para entender onde o modelo já mostra tração fora do laboratório, embora relatos de fórum devam ser lidos como anedóticos e não substituem avaliações controladas. (huggingface.co)

Também surgiram leituras críticas, apontando que a manchete de superação do Opus 4.8 não se sustenta em todos os cortes e que diferenças minúsculas em scores não justificam conclusões absolutas. Bom sinal para quem busca equilíbrio, diversidade de fontes ajuda a ajustar a expectativa do que é paridade em 2026. (bracketcoder.com)

Reflexões e insights, onde estão os verdadeiros ganhos

Os ganhos reais aparecem quando o modelo aprende a aprender, e o Ornith-1.5 dá um passo nessa direção ao ligar geração de tarefas, scaffolds e políticas de solução. No curto prazo, isso se traduz em menos dependência de datasets estáticos e mais exposição a problemas novos, principalmente em domínios estruturados como código. No médio prazo, times podem combinar esse ciclo com dados internos sintetizados e harnesses customizados, acelerando o tempo até valor.

Outro ponto chave é a engenharia de custo. Se o 35B MoE ativa apenas uma fração dos parâmetros por token, troncos de pipeline passam a custar menos sem entregar menos. Quando somado a quantização e otimizações de servidor, a equação desloca parte do valor do topo fechado para um aberto suficientemente bom, integrado a processos maduros e métricas de produção. Isso é estratégia, não culto ao benchmark.

Por fim, vale lembrar que o Opus 4.8 ainda lidera em vários cenários de fluxo longo e uso de ferramentas. A melhor leitura do momento é pragmática, Ornith-1.5 empurra o teto dos abertos, oferece mais controle e custo potencialmente menor, mas equipes precisam medir, comparar e decidir por fatias de tarefa, não por slogans. (anthropic.com)

Conclusão

Ornith-1.5 marca um avanço relevante no ecossistema open source ao introduzir um loop completo de autoaperfeiçoamento, dados reportados no nível do Claude Opus 4.8 em cortes de código e agentes, e um leque de tamanhos que vai do 9B mobile ao 397B para cargas pesadas. O material público detalha configurações e salvaguardas de avaliação, o que ajuda quem precisa reproduzir e auditar. (ornith.ai)

Equipes que decidem por adoção devem seguir por dois trilhos, reexecução dos benchmarks com seus dados e fluxos próprios, e comparação contínua com referências como Opus 4.8 e concorrentes abertos atuais. O valor aparece quando o modelo é encaixado em processos reais, com métricas de custo por entrega, tempo por correção aceita e confiabilidade operacional. O resto é efeito de manchete, útil para atenção, insuficiente para decisão. (anthropic.com)