Ornith-1.0: 에이전트 기반 코딩을 위한 자기 스캐폴딩 (Self-Scaffolding) LLM

2026년 6월 29일 - 링크 블로그

Ornith-1.0: 에이전트 기반 코딩을 위한 자기 스캐폴딩 (Self-Scaffolding) LLM. 이것은 DeepReinforce에서 출시한 첫 번째 모델로, 흥미로운 새로운 오픈 웨이트 (open weights, MIT 라이선스) 모델입니다.

[...] 9B Dense, 31B Dense, 35B MoE, 그리고 397B MoE를 포함한 변체(variants)들이 있습니다. 사전 학습된 Gemma 4 및 Qwen 3.5를 기반으로 구축되었으며, 코딩 벤치마크에서 유사한 크기의 오픈 소스 모델들 중 최고 수준의 성능(state-of-the-art)을 달성했습니다.

제가 파악하기로는 해당 기반 모델들의 라이선스는 이러한 방식으로 사용하기에 호환됩니다. Gemma 4는 Apache 2.0 라이선스이며 (이전 Gemma 모델들을 괴롭혔던 조잡한 추가 Gemma 이용 약관에 얽매이지 않습니다), Qwen 3.5 역시 Apache 2.0 라이선스입니다.

저는 LM Studio를 사용하여 ornith-1.0-35b-Q4_K_M.gguf (20GB) GGUF 파일을 Pi에 연결해 모델을 실행해 왔습니다. 초기 인상은 매우 좋습니다. 많은 도구 호출 (tool calls)에 대해 에이전트 하네스 (agent harness)를 능숙하게 실행할 수 있는 것으로 보입니다.

다음은 제가 Datasette 체크아웃을 대상으로 "actor 쿠키를 디코딩하는 코드를 찾아줘"라고 요청한 다음, "버튼을 클릭했을 때 삽입 대화 상자를 여는 코드를 찾아줘"라고 요청했을 때의 터미널 세션이며, 모델은 이를 쉽게 처리했습니다.

또한 모델에게 이 펠리컨을 그리게 해보았는데, 초당 103 토큰 (tokens/second)의 속도로 생성되었습니다:

약간 뭉개지긴 했지만, 펠리컨은 분명히 펠리컨입니다.

DeepReinforce 자체에 대해서는 많은 정보를 찾을 수 없었습니다. 제가 찾을 수 있었던 가장 초기 논문은 2025년 6월의 "CUDA-L1: Contrastive Reinforcement Learning을 통한 CUDA 최적화 개선 (Improving CUDA Optimization via Contrastive Reinforcement Learning)"이었습니다.

최근 기사

• Claude Code를 사용하여 Moebius 0.2B 이미지 인페인팅 (inpainting) 모델을 브라우저에서 실행하도록 포팅하기 - 2026년 6월 22일
• sqlite-utils 4.0rc1에 마이그레이션 (migrations) 및 중첩 트랜잭션 (nested transactions) 추가 - 2026년 6월 21일
• Datasette Apps: Datasette 내부에 커스텀 HTML 애플리케이션 호스팅하기 - 2026년 6월 18일