코딩 AI를 평가할 때 이제는 “코드를 잘 생성하는가”만으로는 부족합니다. 실제 개발 업무는 문제를 이해하고, 필요한 도구를 호출하고, 테스트를 실행하며, 실패하면 다시 고치는 흐름으로 이뤄지기 때문입니다.
DeepReinforce가 공개한 Ornith-1.0은 이 흐름에 초점을 맞춘 오픈소스 코딩 모델 패밀리입니다. Gemma 4와 Qwen 3.5를 기반으로 하며, 에이전트형 코딩(agentic coding)을 위해 설계됐습니다.1 모든 가중치는 MIT 라이선스로 제공됩니다.3
Ornith-1.0의 핵심: 답보다 ‘작업 방식’을 학습한다
Ornith-1.0을 이해하는 핵심 키워드는 스캐폴드(scaffold)입니다. 여기서 스캐폴드는 모델이 문제를 풀 때 따르는 작업 절차, 도구 사용 방식, 검증 흐름 같은 실행 틀을 뜻합니다.
일반적인 코딩 에이전트는 사람이 미리 정한 실행 틀 안에서 코드를 생성합니다. 반면 Ornith-1.0은 솔루션뿐 아니라 작업별 스캐폴드도 모델이 직접 만들도록 학습됩니다.1 즉, “어떤 코드를 써야 하는가”뿐 아니라 “어떤 순서와 방식으로 문제를 풀어야 하는가”를 함께 다루는 접근입니다.
강화학습 단계도 이 방향에 맞춰 구성됩니다. 먼저 이전 스캐폴드를 바탕으로 개선된 스캐폴드를 제안하고, 이후 그 스캐폴드를 사용해 솔루션을 생성하는 두 단계로 진행됩니다.1 이는 코딩 모델의 경쟁이 단순한 정답 생성에서 작업 루프 최적화로 이동하고 있음을 보여줍니다.
모델 크기는 선택지가 아니라 적용 위치의 문제다
Ornith-1.0 라인업은 9B Dense, 31B Dense, 35B MoE, 397B MoE로 구성됩니다.1 9B Dense는 엣지 배포를 겨냥한 소형 모델로, 397B MoE는 프런티어급 작업을 위한 플래그십 모델로 설명됩니다.1
보고된 성능도 주목할 만합니다. DeepReinforce는 397B 플래그십 모델이 SWE-Bench Verified에서 82.4를 기록했다고 밝혔습니다.1 Hugging Face 모델 카드에서는 35B 모델이 SWE-Bench Verified 75.6을 기록했다고 공개했습니다.2
다만 벤치마크는 판단의 출발점일 뿐입니다. 실제 도입 여부는 다음 질문에 달려 있습니다.
우리 코드베이스에서 긴 작업을 안정적으로 끝내는가?
테스트 실행과 실패 수정 루프를 성실하게 수행하는가?
생성 결과를 사람이 검증하기 쉬운 형태로 남기는가?
비용 대비 반복 업무를 줄이는가?
특히 Ornith-1.0처럼 에이전트형 코딩을 지향하는 모델은 단일 응답의 품질보다 전체 작업 과정의 안정성이 더 중요합니다.
오픈소스가 주는 실험 가능성
Ornith-1.0은 MIT 라이선스로 공개됐고, Hugging Face 컬렉션에서 모델을 확인할 수 있습니다.23 이는 연구 목적의 검증뿐 아니라 상업적 실험의 문턱도 낮춥니다.
개발팀이 바로 기존 도구를 대체하기보다는, 결과를 검증하기 쉬운 제한된 업무부터 붙여보는 편이 현실적입니다. 예를 들어 다음과 같은 작업이 적합합니다.
이슈 재현 절차 작성
실패 테스트 수정
작은 범위의 리팩터링 보조
코드 변경 후 테스트 실행 루프 자동화
Ornith-1.0이 보여주는 방향은 분명합니다. 코딩 AI의 다음 경쟁은 더 긴 답변을 생성하는 데 있지 않습니다. 문제를 풀기 위한 더 나은 작업 방식을 스스로 만들고, 그 흐름 안에서 코드를 개선하는 능력으로 이동하고 있습니다.
1DeepReinforce releases Ornith-1.0 open-source coding models
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.