Ornith-1.0: 코딩 AI가 '일하는 방식'까지 배운다는 뜻

코딩 모델의 경쟁 축이 바뀌고 있습니다. 예전에는 “코드를 얼마나 정확히 생성하느냐”가 중심이었다면, 이제는 “문제를 어떤 절차로 풀고, 실패를 어떻게 복구하느냐”가 더 중요해지고 있습니다.

DeepReinforce가 2026년 6월 25일 공개한 Ornith-1.0은 이 변화를 잘 보여주는 MIT 라이선스 오픈 웨이트 모델 패밀리입니다.¹ 9B Dense, 31B Dense, 35B MoE, 397B MoE 변형으로 제공되며, 에이전트형 코딩 작업을 겨냥합니다.¹

Ornith-1.0의 핵심: Self-Scaffolding

Ornith라는 이름은 고대 그리스어로 ‘새’를 뜻합니다.¹ 이 이름이 흥미로운 이유는 모델의 핵심 개념과 맞닿아 있기 때문입니다. Ornith-1.0은 단순히 코드를 생성하는 데 그치지 않고, 문제를 풀기 위한 작업 구조를 스스로 세우도록 설계됐습니다.

여기서 말하는 스캐폴딩은 코딩 작업을 진행하는 절차를 뜻합니다. 예를 들어 다음과 같은 과정입니다.

• 작업 계획 세우기

• 필요한 도구 호출하기

• 중간 결과 확인하기

• 오류가 난 단계를 다시 작성하기

• 실패 원인을 바탕으로 다음 시도 조정하기

기존 코딩 에이전트는 이런 절차를 사람이 미리 설계한 고정 워크플로에 의존하는 경우가 많았습니다.¹ 반면 Ornith-1.0의 핵심 기법인 self-scaffolding 강화학습은 코드 해법뿐 아니라 작업 계획, 도구 호출, 오류 복구 절차까지 함께 학습하도록 합니다.¹

왜 ‘코드 생성’보다 ‘작업 방식’이 중요한가

실제 개발은 한 번에 정답 코드를 쓰는 일이 아닙니다. 저장소를 살펴보고, 관련 파일을 찾고, 테스트를 실행하고, 오류 메시지를 해석한 뒤 다시 수정하는 반복에 가깝습니다.

그래서 코딩 AI의 실용성은 코드 한 조각의 품질만으로 판단하기 어렵습니다. 모델이 작업을 어떻게 나누는지, 도구를 언제 쓰는지, 실패했을 때 다음 행동을 어떻게 바꾸는지가 중요합니다.

Ornith-1.0은 작업 계획 생성, 도구 실행, 중간 결과 검사, 실패 단계 재작성 과정을 사람 개입 없이 수행하도록 설계됐습니다.¹ 즉 “무엇을 답할 것인가”뿐 아니라 “어떤 순서로 일할 것인가”를 모델 학습의 중심에 둔 시도입니다.

모델 라인업을 어떻게 볼 것인가

Ornith-1.0은 여러 크기와 구조로 제공됩니다. 9B Dense, 35B MoE, 397B MoE는 Qwen 3.5 기반으로 후속 학습됐고, 31B Dense는 Gemma 4 기반으로 후속 학습됐습니다.¹ 모든 변형에는 동일한 self-scaffolding 강화학습이 적용됐습니다.¹

이 구성은 사용 환경에 따라 선택지가 달라질 수 있음을 보여줍니다.

• 로컬 코딩 도우미나 실험 목적이라면 9B 또는 35B급이 더 현실적일 수 있습니다.

• 대규모 저장소 수정, 복잡한 에이전트 파이프라인, 높은 추론 자원이 있는 환경이라면 397B급 모델이 더 적합할 수 있습니다.

• 실제 사용자는 GGUF 같은 로컬 실행 포맷을 통해 LM Studio 등에서 실험해볼 수도 있습니다. 예를 들어 ornith-1.0-35b-Q4_K_M.gguf 20GB 파일을 LM Studio에서 실행한 사례가 언급됐습니다.

다만 중요한 것은 “가장 큰 모델이 항상 최선”이라는 결론이 아닙니다. 에이전트형 코딩에서는 모델 크기와 함께 실행 환경, 도구 연동, 반복 작업 안정성, 오류 복구 능력을 함께 봐야 합니다.

벤치마크보다 중요한 질문

공개 자료 기준 Ornith-1.0-397B는 Terminal-Bench 2.1에서 77.5점을 기록했습니다.² 이 수치는 Ornith-1.0이 에이전트형 코딩 작업에서 강점을 보이도록 설계됐다는 점을 뒷받침합니다.

하지만 실제 도입을 고민한다면 벤치마크 점수만으로 판단해서는 부족합니다. 더 실용적인 질문은 다음에 가깝습니다.

• 내 개발 환경에서 실행 가능한가?

• 사용하는 도구와 자연스럽게 연결되는가?

• 실패했을 때 같은 실수를 반복하지 않는가?

• 작은 수정뿐 아니라 여러 단계의 작업을 안정적으로 이어갈 수 있는가?

• 로컬 실행이 필요한지, 대규모 서버 추론이 필요한지 명확한가?

Ornith-1.0이 주는 메시지는 분명합니다. 앞으로 코딩 AI의 품질은 단순한 코드 생성 능력이나 모델 크기만으로 결정되지 않습니다. 작업을 나누고, 도구를 쓰고, 중간 결과를 확인하고, 실패에서 회복하는 방식까지 얼마나 잘 학습했는지가 핵심 경쟁력이 됩니다.

¹Ornith 1.0: Self-Improving Open-Source Models for Agentic Coding

²Ornith-1.0: Self-Scaffolding LLMs for Agentic Coding