Ornith-1.5: 자가 스캐폴딩에서 자가 개선으로

(ornith.ai)

Ornith-1.5는 스스로 새로운 과제를 생성하고 해결 전략을 구축하며 학습하는 '자가 개선(Self-improvement)' 루프를 통해, 대규모 모델부터 모바일용 경량 모델까지 기존 오픈소스 및 상용 모델을 압도하는 성능을 증명했습니다.

이 글의 핵심 포인트

1Ornith-1.5는 과제 생성, 스캐폴드 구축, 솔루션 도출이 결합된 엔드투엔드 자가 개선 루프를 구현함
2397B MoE 모델은 Terminal-Bench 2.1 및 DeepSWE에서 Claude Opus 4.8과 대등한 성능을 기록함
335B MoE 모델은 활성화 파라미터가 3B에 불과함에도 불구하고 Qwen 3.6-35B 등 동급 모델을 압도함
49B Dense 모델은 모바일 기기(iPhone, Android) 배포가 가능하며 대형 모델보다 높은 성능을 보임
5학습 보상 함수는 과제의 유효성(Validity), 난이도 적정성(Frontier Difficulty), 신규성(Novelty) 세 가지 요소를 기준으로 정의됨

이 글에 대한 공공지능 분석

왜 중요한가?

데이터 부족 문제를 해결할 수 있는 '데이터 생성형 학습'의 정점을 보여주며, 인간의 개입 없이 모델 스스로 지능을 확장하는 자율적 학습 패러다임을 제시했습니다.

어떤 배경과 맥락이 있나?

기존 AI 학습이 고품질의 인간 제작 데이터에 의존했다면, Ornith-1.5는 모델이 스스로 커리큘럼을 설계하고 난이도를 조절하며 한계를 돌파하는 자가 발전형 구조를 채택했습니다.

업계에 어떤 영향을 주나?

소규모 모델(9B)로도 대형 모델의 성능을 뛰어넘는 효율성을 입증함으로써, 온디바이스 AI 및 특화된 에이전트 개발을 위한 새로운 기술적 벤치마크를 설정했습니다.

한국 시장에 어떤 시사점이 있나?

고비용의 데이터 구축 대신 자가 학습 알고리즘 최적화에 집중하는 전략이 유효함을 보여주며, 국내 AI 스타트업들에게 효율적인 모델 경량화 및 에이전트 기술 확보의 중요성을 시사합니다.

이 글에 대한 큐레이터 의견

Ornith-1.5의 핵심은 '데이터의 양'보다 '학습 루프의 질'에 집중했다는 점입니다. 모델이 스스로 문제를 만들고 검증하는 구조는 데이터 고갈 문제를 해결할 강력한 돌파구이며, 이는 특히 코딩과 에이전트 작업처럼 정답(Ground Truth) 확인이 명확한 도메인에서 폭발적인 성능 향상을 가져올 수 있습니다.

다만, 이러한 자가 개선 루프가 '모델 붕괴(Model Collapse)'나 특정 편향을 심화시킬 위험은 여전히 존재합니다. 모델이 생성한 데이터로만 학습할 경우, 초기 단계의 오류가 증폭되거나 창의적인 사고가 제한된 폐쇄적 논리에 갇힐 수 있기 때문입니다. 따라서 스타트업들은 이 기술을 활용하되, 외부의 검증된 지식(External Ground Truth)을 어떻게 루프 내에 효과적으로 통합할 것인지가 핵심 경쟁력이 될 것입니다.

원문 보기 →