Ornith-1.5 : La mise a jour grâce à l'auto-amélioration de bout en bout.

Introduction : Un tournant historique pour l'Open-Source

Le paysage de l'intelligence artificielle vient de connaître un séisme majeur. Le 20 août 2026, par Deep Reinforce AI a dévoilé Ornith-1.5, une famille de modèles de langage qui redéfinit les limites de ce que l'open-source peut accomplir. Ce n'est pas simplement une mise à jour incrémentale, c'est un changement de paradigme.

Au cœur de cette annonce se trouve le modèle Ornith-1.5-35B-A3B. Alors que le marché est souvent dominé par des modèles propriétaires fermés, Ornith prouve qu'avec des architectures intelligentes et des méthodes d'entraînement innovantes, la communauté open-source peut rivaliser avec les modèles les plus sophistiqués du monde, comme Claude Opus 4.8.

• Date de sortie : 20 août 2026
• Statut : Open-source (Licence MIT)
• Impact : Performance comparable aux modèles propriétaires de pointe

Architecture et Spécifications Techniques

Ornith-1.5 est conçue pour couvrir tous les besoins, allant de l'exécution locale légère aux déploiements de classe entreprise. Elle se décline en trois variantes principales : un modèle Dense de 9B paramètres, le modèle MoE (Mixture of Experts) de 35B, et un mastodonte MoE de 397B.

Le modèle phare, le 35B-A3B, utilise une architecture Mixture of Experts où seulement 3 milliards de paramètres sont actifs par token (A3B). Cette efficacité permet d'obtenir des performances de niveau 'frontier' tout en conservant une latence réduite et une empreinte mémoire optimisée pour les infrastructures modernes.

• Variantes : 9B Dense, 35B MoE (A3B), 397B MoE
• Architecture : Mixture of Experts (MoE) optimisée
• Efficacité : 3B paramètres actifs pour le modèle 35B
• Licence : MIT (Usage commercial et recherche illimité)

L'Innovation : L'Auto-Amélioration End-to-End

Ce qui distingue véritablement Ornith-1.5 de ses prédécesseurs, c'est sa boucle de rétroaction. Contrairement aux méthodes classiques de fine-tuning supervisé, Ornith-1.5 utilise une stratégie d'auto-amélioration complète. Le modèle ne se contente pas de répondre ; il apprend à apprendre.

Le processus est cyclique : le modèle propose de nouvelles tâches, génère des structures (scaffolds) spécifiques à ces tâches, puis produit des déploiements de solutions (rollouts) pour l'apprentissage par renforcement. Cette extension des stratégies de 'self-scaffolding' introduites dans la version 1.0 permet au modèle de créer ses propres expériences d'apprentissage de manière autonome.