TL;DR

Ornith-1.0-35B는 MoE 아키텍처 기반의 35B 모델로 Gemma4와 Qwen3.5 계열에서 포스트트레이닝된 계열 모델이며 자기개선형 강화학습을 통해 생성 결과와 그 생성 경로(스캐폴드)를 동시에 최적화해 에이전트형 코딩 성능을 끌어올렸다. README에 수록된 벤치마크에서 Terminal-Bench 2.1 64.2와 SWE-bench Verified 75.6, Claw-eval 평균 69.8 등 코드 중심 평가에서 높은 점수를 기록했고 출력에 <think> 체인오브소트와 tool_call 블록을 포함해 reasoning_content와 structured tool_calls로 서버 측에서 분리·처리할 수 있도록 설계되었다. 배포 관점에서는 transformers·vLLM·SGLang 같은 최신 런타임과 GGUF/llama.cpp 경로를 통해 긴 컨텍스트(128K~262144)를 다루는 서빙 레시피를 제공하며 MIT 라이선스로 공개되어 상용 도입 제약이 낮다. 다만 벤치마크 점수는 각기 다른 하네스·템플릿·컨텍스트 설정에서 산출된 값이므로 동일 설정으로 재현해야 비교가 유효하고 긴 컨텍스트 운영은 메모리·병렬화 설정을 요구한다. 이 모델은 에이전트형 코드 자동화 파이프라인에서 도구 호출 표준화와 추론 로그 분리를 통해 통합 편의성을 제공하는 대신 MoE 특성상 특정 런타임과 병렬 환경을 맞추는 운영 부담이 존재한다.

핵심 포인트

• Ornith은 MoE 기반 35B 모델을 Gemma4와 Qwen3.5 상단에서 포스트트레이닝한 계열 모델로서 공개 모델군에서 MoE 설계를 채택한 점이 차별화 요소이다. 이 설계는 동일한 파라미터 예산에서 더 높은 표현력을 확보하려는 목적을 가진다. README는 MoE가 계열 구성에서 주요 변형임을 명시하고 있다.
• 훈련에서 자기개선형 RL로 스캐폴드와 솔루션을 함께 최적화하는 접근법을 사용해 단순한 SFT 대비 에이전트 탐색 성능을 개선하려는 점이 차별점이다. 이 접근은 에이전트형 코드 생성에서 더 나은 탐색 경로를 학습하는 데 초점을 맞춘다. README는 이 메커니즘을 모델의 핵심 설계로 제시하고 있다.
• 기본 출력 포맷으로 <think> 체인오브소트를 포함하고 서버 파서를 통해 reasoning_content와 tool_calls를 구조화해 제공하는 점이 통합 관점에서 실무적 이점이다. 이 통합은 디버깅과 외부 도구 연동을 단순화해 에이전트 워크플로에서의 적용성을 높인다. 서빙 예제는 vLLM과 SGLang에서의 구체적 파서 설정을 포함한다.
• 배포 측면에서 단일 GPU 환경을 목표로 한 경량화된 멤버로서 35B 모델을 제공하며 동시에 GGUF와 llama.cpp 등 경량 런타임 호환성을 제공해 다양한 배포 옵션을 지원한다. README에 로컬 테스트용 Transformers 예시와 GGUF 배포 예시가 병기되어 있어 배포 경로가 다변화되어 있다. 이 점이 오픈소스 실무 도입을 용이하게 만든다.

벤치마크

이미지 분석