Deep Reinforce AI sort Ornith-1.5-122B, son nouveau modèle de codage MoE

Introduction

Le paysage des modèles de codage spécialisés vient de connaître un tournant majeur. Le 16 octobre 2026, Deep Reinforce AI a officiellement lancé Ornith-1.5-122B, le membre le plus puissant et le plus efficace de sa famille Ornith-1.5. Ce modèle n'est pas simplement une mise à jour incrémentale, mais une réponse directe aux besoins des ingénieurs souhaitant allier performance de niveau agentique et déploiement local optimisé.

Alors que la course aux paramètres géants semble s'essouffler au profit de l'efficacité, Ornith-1.5-122B propose une architecture Mixture-of-Experts (MoE) capable de rivaliser avec des modèles bien plus massifs, tout en restant dans la classe des déploiements sur GPU unique. Pour les développeurs, cela signifie une latence réduite et une capacité de raisonnement accrue pour les tâches de programmation complexes.

• Modèle de codage de pointe (SOTA)
• Architecture MoE optimisée pour le single-GPU
• Licence MIT pour une liberté totale

Architecture et caractéristiques clés

Au cœur d'Ornith-1.5-122B se trouve une architecture MoE de 122 milliards de paramètres. Contrairement aux modèles denses traditionnels, cette structure permet d'activer uniquement une fraction des paramètres pour chaque jeton (token) traité, offrant ainsi un équilibre exceptionnel entre la puissance de calcul nécessaire et la vitesse d'inférence.

L'une des innovations les plus marquantes est la flexibilité de déploiement. Deep Reinforce AI a conçu ce modèle pour qu'il soit accessible aussi bien sur des serveurs de calcul que sur des terminaux mobiles grâce à sa variante quantifiée Ornith-1.5-122B-Mobile. Cette approche 'edge-ready' est une première pour un modèle de cette envergure.

• Paramètres : 122B (Mixture-of-Experts)
• Optimisation : Déploiement single-GPU efficace
• Variante Mobile : Support pour l'Edge computing via quantification
• Licence : Open Source (MIT)

Performances et Benchmarks : Un nouveau standard

Les résultats de benchmark positionnent Ornith-1.5-122B au sommet de sa catégorie. Sur la suite SWE-bench, qui mesure la capacité à résoudre des problèmes réels de GitHub, le modèle affiche un score Pro (no-hack) de 76.9, surpassant largement Qwen3.8-Flash-Next (43.9) et Qwen3.8 (65.5). En mode Verified (non-hack), il atteint un score impressionnant de 84.5.

L'excellence du modèle se confirme également sur CyberGym avec un score de 80.0, devançant DeepSeek-V4-Flash-0731 (76.7). Sur TerminalBench 2.1, avec 81.2, il se rapproche de modèles beaucoup plus lourds comme DeepSeek-V4-Flash-0731 (284B) qui affiche 82.7. Cette efficacité est d'autant plus remarquable que le protocole d'évaluation a été rigoureusement validé pour éviter le 'reward hacking'.