딥리인포스(DeepReinforce)가 에이전틱 코딩에 특화된 오픈소스 모델 패밀리 Ornith-1.0을 공개했다. 총 4가지 크기로 출시됐으며, 9B 밀집 모델부터 397B 혼합전문가(MoE) 플래그십까지 구성된다. 모든 체크포인트는 MIT 라이선스로 허깅 페이스(Hugging Face)에 공개됐으며, Gemma 4와 Qwen 3.5 사전 학습 모델을 기반으로 사후 훈련됐다.
Ornith-1.0의 핵심 기술적 차별화는 자기 스캐폴딩(self-scaffolding) 방식에 있다. 기존 코딩 에이전트 대부분은 사람이 설계한 고정된 실행 프레임워크와 모델을 결합하는 방식을 쓴다. 반면 Ornith-1.0은 강화학습(RL) 과정에서 자신이 사용할 스캐폴드를 직접 학습해 작성한다. 두 단계로 이뤄지는 훈련에서 모델은 먼저 정제된 스캐폴드를 제안하고, 이를 이용해 솔루션 롤아웃을 생성한다. 보상 신호는 스캐폴드와 솔루션 양쪽에 모두 역전파된다. MoE 구조를 채택해 전체 파라미터 대비 일부만 활성화하는 방식으로 추론 효율을 높였다.
벤치마크 성능에서 플래그십 모델인 Ornith-1.0-397B는 Terminal-Bench 2.1에서 77.5점, SWE-Bench Verified에서 82.4점을 기록했다. 이는 앤트로픽 클로드 Opus 4.8과 GLM-5.2-744B에는 미치지 못하지만, 동급 규모 오픈소스 모델 가운데서는 최상위권 결과라고 딥리인포스 측은 밝혔다. 9B 소형 모델도 Terminal-Bench 2.1에서 43.1점, SWE-Bench Verified에서 69.4점을 기록해 실용적인 성능을 보였다. 리워드 해킹을 방지하기 위해 고정된 신뢰 경계, 결정론적 모니터, 동결된 LLM 판정자 등 세 겹의 안전 장치를 적용했다.
배포 측면에서는 접근성을 높이는 데 초점을 맞췄다. 9B 모델은 bf16 기준 약 19GB 용량으로 80GB GPU 단일 카드에서 구동 가능하다. vLLM·SGLang·Transformers를 통한 서빙 레시피를 제공하며, 오픈AI 호환 엔드포인트를 노출해 기존 에이전트 프레임워크와 코드 수정 없이 연동된다. FP8 및 GGUF 빌드도 함께 공개해 로컬 추론 속도를 높일 수 있다. 모델 응답에는 추론 추적이 별도 필드로 분리돼 반환되며, 에이전트 루프용 도구 호출 형식도 지원한다.
저작권자 © STORIUM 무단전재 및 재배포 금지
