스스로 개선하는 오픈소스 코딩 모델 등장

오픈소스 진영에서 스스로 학습 전략까지 개선하는 코딩 모델 '오르니스(Ornith-1.0)'가 공개됐다. 깃허브 별 460개를 넘기며 주목받는 이 모델은, 단순히 정답을 내놓는 데 그치지 않고 '정답을 찾아가는 과정' 자체를 강화학습으로 다듬는 점이 차별점이다.

무슨 일인가

오르니스는 에이전트형 코딩에 특화된 오픈소스 모델군이다. 9B·31B 덴스(Dense) 모델과 35B·397B MoE(전문가 혼합) 모델로 나오며, 구글 젬마 4(Gemma 4)와 큐원 3.5(Qwen 3.5) 위에 후속 학습을 얹어 만들었다. 라이선스는 MIT로, 지역 제한 없이 누구나 쓸 수 있다. 개발진은 터미널벤치(Terminal-Bench) 2.1, SWE-Bench 등 코딩 벤치마크에서 동급 크기 오픈소스 모델 중 최고 성능을 냈다고 밝혔다.

핵심 짚어보기

가장 흥미로운 건 '자기 개선 학습 프레임워크'다. 보통의 모델은 문제 풀이 과정(롤아웃)만 학습한다. 오르니스는 풀이뿐 아니라 그 풀이를 이끄는 '뼈대(scaffold)'까지 함께 강화학습으로 최적화한다. 풀이와 뼈대를 동시에 다듬으니 더 나은 탐색 경로를 발견하고, 결과적으로 더 좋은 해답을 만든다는 설명이다. 수치로 보면, 가장 작은 9B 모델이 터미널벤치 2.1에서 43.1점으로 같은 크기 큐원3.5(21.3점)를 두 배 가까이 앞섰다. 최대 모델인 397B는 SWE-bench 베리파이드(Verified)에서 82.4점을 기록했다. 다만 같은 지표에서 클로드 오푸스 4.8(Claude Opus 4.8)은 87.6점으로, 최상위 폐쇄형 모델과는 아직 격차가 있다.

1인기업 실전 적용 포인트

• 클라우드 API 비용이 부담되는 1인기업이라면, MIT 라이선스 오픈소스 코딩 모델을 로컬·자체 서버에서 돌려 월 구독료를 0원으로 만들 수 있다. 9B·31B는 소비자용 GPU에서도 시도해볼 만하다.
• 최고 성능이 필요 없는 반복 코딩 작업(보일러플레이트 생성, 테스트 작성 등)은 작은 오픈소스 모델로 충분할 수 있다. 작업 난이도별로 모델을 나눠 쓰면 비용이 크게 준다.
• 폐쇄형 최상위 모델과의 점수 차를 감안해, 정밀도가 중요한 핵심 작업은 상위 모델, 잡무는 오픈소스로 이원화하는 전략이 현실적이다.
• 데이터 외부 유출이 민감한 작업이라면, 로컬에서 도는 오픈소스 모델이 보안 측면에서 분명한 이점을 준다.

전망 / 주의점

벤치마크 점수는 실무 체감과 다를 수 있으니 자기 작업에 직접 테스트해보는 게 정답이다. '스스로 학습 전략을 개선한다'는 접근은 오픈소스 모델이 폐쇄형을 추격하는 유력한 방향으로 보인다. 다만 397B 같은 초대형 모델은 1인기업이 직접 구동하기엔 하드웨어 벽이 높아, 당분간은 호스팅 서비스를 통한 접근이 현실적이다.

출처: GitHub - Ornith-1 (https://github.com/deepreinforce-ai/Ornith-1)