Ornith가 Qwen 기반 122B 파인튜닝 모델 Ornith-1.5를 발표했다.

• Ornith-1.5는 과제 생성과 해결 롤아웃 등을 함께 최적화하는 자기개선 방식을 내세운다.
• 개발사의 방법론 설명과 실제 업무 성능·안전성 검증은 별개다.
• 122B급 모델의 활용성은 자원 요건, 라이선스, 검증 체계에 따라 달라진다.

발췌에 따르면 Ornith는 Ornith-1.5-122B를 공개하며 종단 간 자기개선을 통한 기반모델 구축의 진전이라고 설명했다. Ornith-1.0은 Qwen3.5와 Gemma4를 기반으로 추가 사전학습, 중간학습 및 사후학습을 거친 모델로 소개된다. Ornith-1.5는 여기에 과제 생성, 스캐폴드 구성, 해결 롤아웃의 공동 최적화를 확장했다고 주장한다.

AI 모델 개발에서 사람이 만든 평가 과제와 에이전트용 실행 틀은 학습·평가의 방향을 정하는 중요한 요소다. 자기생성 과제나 반복적 롤아웃 최적화는 더 넓은 학습 탐색을 목표로 할 수 있지만, 생성된 과제의 품질과 평가의 신뢰성, 보상 설계의 편향을 함께 검토해야 한다. 모델 개발사가 설명한 학습 방법론과 독립적인 성능 검증은 구분할 필요가 있다.

122B급 모델은 조직이 직접 운영할 경우 상당한 연산 자원, 저장공간 및 운영 역량을 요구할 수 있다. 따라서 AI 플랫폼 담당자는 모델 크기만 보지 말고 공개 가중치 여부, 이용 조건, 추론 방식, 정량 벤치마크와 실제 업무 데이터에서의 정확성·안정성을 확인할 필요가 있다. 전문 업무에 활용할 경우에는 출력의 근거 확인, 검토 책임자 지정, 민감정보 입력 통제가 계속 중요하다.

발췌가 중간에서 끝나므로 모델의 전체 학습 데이터, 라이선스, 배포 형태, 구체적 벤치마크와 안전장치에 관한 내용은 확인되지 않는다. 원문 발표와 모델 카드, 독립 평가 자료를 통해 주장의 재현성과 활용 제한을 확인할 필요가 있다.

본문은 수집한 기사의 제목과 발췌를 바탕으로 AI가 정리한 해설입니다. 수치·날짜·조문 등 세부 사실은 원문에서 확인하세요.