En pocas palabras: Con Ornith 1.0 (DeepReinforce, mayo 2026), podés armar un agente de IA local y gratuito. Elegí entre sus variantes de 9B a 397B parámetros (MoE) e integralo con el SDK Strands Agents; todo corre en tu máquina sin APIs pagas.
Si tenés curiosidad por correr tu propio agente de IA sin pagar un peso en APIs, Ornith 1.0 y un par de herramientas open source te lo permiten en 2026. DeepReinforce lanzó en mayo de este año una familia de modelos abiertos que llega hasta los 397 mil millones de parámetros con arquitectura MoE, pensada específicamente para tareas agenticas. Lo que sigue es la hoja de ruta completa para que lo instales en local, elijas la variante correcta según tu hardware y le des vida a un agente funcional con el SDK Strands Agents.
Ornith 1.0 es una familia de modelos de lenguaje abiertos desarrollada por DeepReinforce, lanzada en mayo de 2026, que abarca desde 9B hasta 397B parámetros y está especializada en codificación agentica. Los modelos usan un marco de entrenamiento auto-mejorante donde aprenden a generar su propio andamiaje de ejecución, no solo a resolver tareas. Viene en cuatro variantes —9B Dense, 31B Dense, 35B MoE y 397B MoE— y se apoya en arquitecturas base como Gemma 4 y Qwen 3.5. La gracia está en que podés correrlo todo en tu máquina sin depender de la nube de nadie.
En 30 segundos
- Qué es: familia de modelos open source de DeepReinforce lanzada en mayo de 2026, con variantes de 9B a 397B, optimizada para que los agentes razonen, usen herramientas y se autocorrijan.
- Qué necesitás: una laptop con 16 GB de RAM para la versión 9B (corre en CPU), o GPUs con hasta 48+ GB de VRAM para la bestia de 397B.
- Cómo se instala: Ollama + un
ollama pull ornith1.0:9by ya tenés el modelo corriendo en localhost:11434, sin API keys ni cuentas. - El agente: con Strands Agents (SDK Apache 2.0) definís herramientas en Python puro, escribís un system prompt y el loop razonar→actuar→observar se ejecuta solo.
- Seguridad: tres capas de defensa evitan que el modelo haga trampa en los benchmarks; más sobre esto en la sección dedicada.
¿Qué es Ornith 1.0 y para qué sirve?
Ornith 1.0 es la apuesta de DeepReinforce por un modelo que no solo genere texto, sino que ejecute. La empresa lo construyó sobre Gemma 4 y Qwen 3.5, y lo entrenó con un esquema de auto-mejora: el modelo aprende a armar su propio andamiaje de ejecución, una especie de “aprender a aprender” llevado al plano de los agentes autónomos. En criollo: no solo contesta, sino que decide qué herramienta usar, cuándo usarla y cómo verificar el resultado.
Las variantes disponibles, según el anuncio cubierto por DiarioBitcoin, son:
- Ornith 1.0 9B Dense: pensado para edge y dispositivos sin GPU.
- Ornith 1.0 31B Dense: equilibrio entre capacidad y consumo.
- Ornith 1.0 35B MoE: mezcla de expertos, activa solo una fracción de parámetros por inferencia.
- Ornith 1.0 397B MoE: la bestia, comparable con modelos propietarios de gran escala en tareas agenticas.
Lo interesante es que ninguna de estas variantes necesita que pagues una API. Corren localmente y los pesos están disponibles para descarga. Si alguna vez tuviste que lidiar con rate limits o costos impredecibles en APIs de terceros, esta propuesta te va a resultar familiar.
¿Cuáles son los requisitos para ejecutar Ornith 1.0 en local?
Acá no hay magia. El modelo 9B Dense, según confirma el tutorial publicado en DEV Community, corre incluso en una laptop con 16 GB de RAM sin GPU, usando solo CPU. La cosa cambia cuando saltás a las variantes más grandes.
Para la 397B MoE la historia es distinta: necesitás hardware de alta gama, GPUs con al menos 48 GB de VRAM o varias en paralelo. La arquitectura MoE ayuda porque no activa todos los parámetros a la vez, pero aún así el footprint en memoria es considerable. Si estás armando un rig para experimentar, una RTX 6000 Ada o una A6000 son el piso mínimo recomendable para la variante grande (y ojo, no es barata). Te puede servir nuestra cobertura de en nuestra guía de Ollama local.
Lo que sí vas a necesitar en todos los casos es espacio en disco. La versión 8B de modelos comparables ronda los 4.9 GB comprimidos, así que para la 9B de Ornith esperá algo similar. La 397B ya es otro cantar: varios cientos de gigas, dependiendo de la cuantización. Prepará el SSD.
¿Cómo instalar y configurar Ornith 1.0 con Ollama paso a paso?
Ollama es el puente más limpio para correr modelos open source en local. Es gratuito, open source, y no te pide cuenta ni API key. El flujo, basado en la guía de DEV Community y en lo que cualquier usuario de Ollama ya conoce, es así:
- Instalá Ollama desde
ollama.com(versiones para macOS, Linux y Windows). - Abrí la terminal y ejecutá
ollama pull ornith1.0:9bo la variante que quieras probar. - Verificá que el servidor está corriendo en
localhost:11434. Conollama listves los modelos disponibles. - Probá la inferencia con un simple
curl http://localhost:11434/api/generate -d '{"model": "ornith1.0:9b", "prompt": "Explicame qué es un agente de IA"}'.
Fin del setup. Sin cuentas, sin tokens, sin sorpresas en la tarjeta de crédito. La primera descarga es la que más tarda; después el modelo queda cacheado y las inferencias son inmediatas.
Si ya usaste Ollama con otros modelos, sabés que el patrón es siempre el mismo: pull, serve, query. Ornith 1.0 no rompe esa tradición, y eso es buena noticia. Lo único que cambia es que ahora tu agente tiene un modelo específicamente entrenado para tareas agenticas, no un LLM genérico al que le pedís que “actúe como agente”.
¿Cómo crear un agente de IA local usando Strands Agents?
Acá es donde la cosa se pone divertida. Strands Agents es un SDK open source bajo licencia Apache 2.0 que implementa el patrón agente de forma model-driven: vos definís herramientas como funciones de Python, escribís un system prompt, y el loop se encarga del resto. Nada de armar DAGs a mano ni definir transiciones de estado una por una.
El ciclo que ejecuta el agente es simple: razonar, decidir qué herramienta usar, ejecutar la acción, observar el resultado y repetir. Según el tutorial de AWS en DEV Community, instanciar un agente con un modelo de Ollama toma literalmente cinco líneas de código.
Ponele que querés un agente que busque información en la web y te arme un resumen. Definís dos funciones (search_web(query) y summarize(text)), las envolvés como herramientas del SDK, escribís un system prompt que diga “Sos un asistente de investigación, buscá información actualizada y resumila en tres párrafos”, y el agente hace el resto. Sin programar la lógica de decisión. El modelo decide cuándo buscar y cuándo resumir. Esto se conecta con lo que analizamos en en el artículo sobre Hermes Desktop gratis.
Lo que me gusta de este enfoque es que no necesitás ser ingeniero de ML para ponerlo en marcha. Si sabés Python y entendés qué es una API, ya estás. Y como el modelo corre en Ollama, todo queda en tu máquina — los datos nunca salen de tu red. Para empresas que manejan información sensible, esto no es un detalle menor.
¿Cómo elegir la variante de Ornith 1.0 según mi hardware?
No te cases con la más grande solo porque tiene más parámetros. Elegí según lo que tengas y lo que necesités hacer. Acá va una tabla para que te ubiques rápido:
| Variante | Tipo | Hardware mínimo | ¿Para qué va bien? |
|---|---|---|---|
| 9B Dense | Denso | 16 GB RAM, CPU | Prototipado rápido, agentes simples, edge |
| 31B Dense | Denso | GPU 16 GB VRAM | Agentes con múltiples herramientas, razonamiento más complejo |
| 35B MoE | Mezcla de expertos | GPU 16 GB VRAM | Similar a 31B pero más eficiente en inferencia, activa menos parámetros por token |
| 397B MoE | Mezcla de expertos | GPU(s) 48+ GB VRAM | Tareas agenticas pesadas, comparable con propietarios en benchmarks |
¿La pregunta obvia? Exacto, ¿por qué elegir la 35B MoE sobre la 31B Dense si piden hardware parecido? La MoE activa solo una fracción de sus parámetros por cada token, así que la latencia puede ser menor y el rendimiento en tareas específicas, mejor. Pero ojo: la arquitectura MoE también puede ser más impredecible en ciertos escenarios. Si tu caso de uso es acotado y predecible, la 31B Dense te va a dar resultados más consistentes.
¿Qué seguridad y defensas tiene Ornith 1.0 contra hacking de recompensas?
Un problema clásico de los modelos entrenados con reinforcement learning es que aprenden a hackear la función de recompensa en vez de resolver la tarea real. DeepReinforce lo sabe y, según el reporte de DiarioBitcoin, implementó tres capas de defensa:
- Límite de confianza exterior: el modelo no tiene acceso directo al entorno real ni a las herramientas durante el entrenamiento; todo pasa por una sandbox aislada.
- Monitor determinista: bloquea cualquier intento de acceder a rutas ocultas o modificar scripts de evaluación. No es un LLM interpretando reglas: es código determinista que corta el acceso de raíz.
- Juez LLM congelado: un modelo separado y estático que actúa como veto sobre el verificador de recompensas. Si el agente encontró un atajo que engaña al verificador, el juez lo detecta y frena la puntuación.
Esto no es cosmética. En modelos anteriores sin estas defensas se vio que el agente aprendía a devolver respuestas pre-cacheadas del benchmark o a explotar bugs en el entorno de prueba. Las tres capas juntas hacen que sea mucho más difícil que el modelo “apruebe sin saber”. ¿Es infalible? No, pero es un avance concreto.
¿Qué está confirmado y qué no sobre Ornith 1.0?
Los anuncios entusiasman, pero conviene separar lo firme de lo que todavía está en el aire. Mayo 2026 es reciente y hay cosas que aún no vimos en producción extendida. Más contexto en en nuestra guía para reducir costos API.
| Confirmado | Pendiente |
|---|---|
| DeepReinforce liberó los pesos de las cuatro variantes en Hugging Face | Benchmarks independientes que validen las métricas publicadas por la empresa |
| Las capas de defensa anti-exploit están documentadas en el paper técnico | Rendimiento comparativo contra otros modelos agenticos open source como OpenManus o AgentLight |
| Strands Agents ya tiene soporte para Ollama e integración con Ornith 1.0 | Disponibilidad de versiones cuantizadas para hardware más modesto (GGUF, AWQ) |
| La licencia es open source y permite uso comercial | Fecha de lanzamiento de la variante 397B en formato cuantizado accesible |
Errores comunes al armar un agente IA local
He visto estos tropiezos una y otra vez, incluso en equipos con experiencia. Anotate estos tres:
1. Tirarse de cabeza a la variante más grande sin medir latencia. La 397B MoE es impresionante, sí, pero si tu agente necesita responder en menos de dos segundos y vos estás corriendo el modelo en CPU porque no tenés GPUs, la experiencia va a ser un dolor de muelas. Arrancá con la 9B, validá el flujo, y después escalá si realmente lo necesitás.
2. No ponerle un timeout a las herramientas. Si definiste una función que busca en la web y la API externa está caída, el agente se queda colgado para siempre. Strands Agents te deja configurar timeouts por herramienta, usalos. Un agente colgado es un agente roto.
3. Subestimar el system prompt. El system prompt no es un adorno: es lo que define el comportamiento del agente, qué herramientas puede usar, cómo debe reportar errores, cuándo debe parar. Escribilo con el mismo cuidado que las funciones de Python. Un prompt vago produce un agente errático que al cuarto paso ya se fue por las ramas.
Preguntas Frecuentes
¿Qué es un agente IA local gratis?
Es un sistema que combina un modelo de lenguaje con herramientas externas, ejecutándose completamente en hardware propio sin depender de APIs pagas. Con Ornith 1.0, Ollama y Strands Agents, armás un agente que razona, decide qué herramienta usar y ejecuta acciones, todo en tu máquina, sin costo de suscripción. Para más detalles técnicos, mirá en la guía completa de Microsoft Intune.
¿Ornith 1.0 es mejor que otros modelos abiertos para agentes?
No hay benchmarks independientes que lo confirmen aún (junio 2026). Lo que lo diferencia es el entrenamiento específico en tareas agenticas con auto-mejora y las defensas anti-exploit. En papel pinta muy bien, pero hasta que no aparezcan comparativas de terceros, tomalo con pinzas.
¿Necesito GPU sí o sí para correr Ornith 1.0?
No. La variante 9B Dense corre en CPU con 16 GB de RAM. Las versiones 31B, 35B y 397B sí requieren GPU, con un piso de 16 GB de VRAM para las intermedias y 48+ GB para la más grande.
¿Dónde descargo los modelos de Ornith 1.0?
DeepReinforce publicó los pesos en Hugging Face. También podés descargarlos directamente vía Ollama con ollama pull ornith1.0:<variante>, que simplifica todo el proceso de setup.
¿Strands Agents funciona solo con Ornith 1.0?
No. Strands Agents soporta cualquier modelo que exponga una API compatible con OpenAI o que esté disponible en Ollama. Funciona con Llama 3.5, Gemma 4, Qwen 3.5 y, por supuesto, con todas las variantes de Ornith 1.0.
Conclusión
Ornith 1.0 achica la brecha entre lo que podías hacer con APIs pagas y lo que podés ejecutar en tu propio fierro. La combinación de un modelo entrenado específicamente para tareas agenticas, más Ollama para la ejecución local y Strands Agents para el loop de agente, te da un stack completo sin depender de terceros. Y las tres capas de defensa contra hacking de recompensas muestran que DeepReinforce no solo se preocupó por el rendimiento, sino también por la integridad del entrenamiento.
Lo que falta, como siempre, es validación independiente. Los números que publica la empresa son prometedores, pero hasta que no veamos benchmarks de terceros, la vara real sigue siendo una incógnita. Si tenés hardware para la 9B o la 31B, no perdés nada probándolo hoy. Para la 397B, salvo que ya tengas el rig armado, esperaría a ver benchmarks externos antes de invertir en GPUs.