'Ornith-1.0'은 에이전트 기반 코딩에 집중하는가? 생태계 변화를 촉진하다.

‘Ornith-1.0’은 에이전트 기반 코딩에 집중하고 있는가? 스테이징 클러스터에서 수집된 초기 텔레메트리 데이터는 이러한 변화가 이미 진행 중임을 시사합니다. 2026년 6월 25일 DeepReinforce가 발표한 자가 스캐폴딩(self-scaffolding) 모델 제품군은 엔터프라이즈 개발 환경 내에 새로운 워크플로우 패턴을 도입합니다. 개발 팀에게 있어 당면한 과제는 데이터 통합을 유지하면서 프로그래밍 방식의 실행을 관리하는 것으로 변화하고 있습니다. 이번 출시는 모델의 학습 및 배포 방식이 명확한 전환점을 맞이했음을 보여줍니다.

한눈에 보는 핵심 요약

• 자가 스캐폴딩 루프: 정적이고 사람이 작성한 하네스를 사용하는 기존 파이프라인과 달리, 이 모델 제품군은 강화 학습 중에 스스로 실행 스캐폴드와 작업별 정책 프레임워크를 동적으로 정교화합니다.
• 균형 잡힌 티어 배포: 리소스 효율적인 엣지 디바이스에 최적화된 9B 소형 모델부터 397B MoE(Mixture-of-Experts) 플래그십 모델까지 다양하게 구성됩니다.
• MMP 통합 영향: 기존의 클라이언트 측 쿠키 및 브라우저 리다이렉트를 우회하므로, 설치 측정 데이터 누락을 방지하기 위해 SDK 레벨에서의 암호화된 토큰 전송이 필요합니다.

Ornith의 자가 스캐폴딩 프레임워크 이해하기

이번 모델 제품군 출시는 모델 서빙 계층에서 새로운 가격 및 기능 역학을 도입합니다. 특히 Ornith-1.0이 에이전트 기반 코딩에 집중하여 작업별 하네스와 최종 코드 솔루션을 동시에 최적화하는 점이 주목됩니다. 이러한 공동 진화 프레임워크를 통해 시스템은 고정된 인간 작성 스캐폴드에 의존하지 않고도 더 나은 탐색 경로를 발견할 수 있습니다. 사전 학습된 Gemma 4 및 Qwen 3.5 체크포인트를 기반으로 구축된 이 라인업은 9B Dense, 31B Dense, 35B MoE, 397B MoE 등 4가지 서로 다른 크기로 구성됩니다. 자세한 사양은 공식 Ornith Hub에 문서화되어 있습니다.

모델 구성 및 성능 지표

평가 결과는 여러 에이전트 벤치마크에서 상당한 성능 향상을 보여줍니다. 플래그십 규모인 397B MoE 모델은 Terminal-Bench 2.1에서 77.5점, SWE-Bench Verified에서 82.4점을 기록했습니다. 이러한 성능은 Claude Opus 4.7을 능가하며 유사한 크기의 선도적인 오픈 모델들을 앞서고 있습니다. 예를 들어, 이 아키텍처는 불필요한 파일 읽기를 줄이고 긴 컨텍스트 작업 전반에서 메모리 이동을 최적화합니다. 한편, 35B MoE 모델은 토큰당 약 3B 파라미터를 활성화하여 빠르고 비용 효율적인 런타임을 제공합니다. Terminal-Bench 2.1에서 64.2점을 기록하여 Qwen 3.5-397B와 같이 훨씬 큰 모델들을 제치면서도 높은 실행 안정성을 유지합니다.

리소스 효율적인 엣지 배포

로컬 및 엣지 하드웨어 배포를 위해 9B Dense 모델은 매우 효율적인 솔루션을 제공합니다. 이 모델은 Terminal-Bench 2.1에서 43.1점, SWE-Bench Verified에서 69.4점을 달성했습니다. bf16 기준 약 19GB의 메모리만 필요하므로, 개발자는 단일 80GB GPU에서 실행할 수 있습니다. 결과적으로 팀은 민감한 코드베이스를 조직 외부로 전송하지 않고도 비공개 로컬 실행이 가능합니다. 이 모델은 Ollama, Unsloth 및 GGUF 양자화 형식과 완벽하게 호환되어 엔지니어링 그룹이 소비자 등급 하드웨어에서도 상시 가동되는 로컬 프로그래밍 에이전트를 배포할 수 있게 합니다.

자기 개선 학습 루프

이 모델 역량의 핵심은 스스로 개선하는 학습 루프에 있습니다. 강화 학습 동안 모델은 스캐폴드를 학습 가능한 객체로 취급합니다. 각 학습 단계는 두 단계로 진행됩니다. 첫째, 모델이 정교화된 스캐폴드를 제안하고, 둘째, 해당 스캐폴드를 사용하여 솔루션 롤아웃을 생성합니다. 보상은 두 단계 모두로 전파되어 모델이 자신의 오케스트레이션을 작성하도록 최적화합니다. 보상 해킹을 방지하기 위해 DeepReinforce는 고정된 신뢰 경계, 금지된 경로 읽기를 플래그 지정하는 결정론적 모니터, 거부권 역할을 하는 동결된 LLM 판사라는 3계층 방어를 구현합니다.

헤드리스 에이전트가 어트리뷰션 사각지대를 만드는 이유

자율 에이전트가 다중 파일 리팩토링 및 코드 수정을 수행함에 따라 백그라운드 API 트랜잭션의 양이 증가합니다. 결과적으로 ‘Ornith-1.0’ 제품군이 리포지토리 규모의 파일에 대해 에이전트 기반 코딩 워크로드를 헤드리스 방식으로 처리함에 따라, 백그라운드 실행으로의 전환은 어트리뷰션 위기를 초래합니다. 개발 팀에게 즉각적인 과제는 강력한 사용자 세션 유효성 검사를 유지하면서 플랫폼 간 전환을 관리하는 것입니다.

패러다임의 역전: 에이전트 실행이 키 입력보다 뛰어날 때

프로그래밍 방식의 에이전트는 상태 비저장(stateless) 서버 측 HTTP 클라이언트로 작동합니다. 이들은 영구적인 쿠키 저장소를 유지하지 않으며, 브라우저 수준의 스토리지를 실행하지 않고, 자동화된 백그라운드 점프 중에 Referrer 헤더를 완전히 누락하는 경우가 많습니다. 다음 관찰 결과는 산업 전반의 벤치마크가 아닌, 실행 패턴을 설명하기 위해 스테이징 환경에서 수행된 내부 엔지니어링 검증을 기반으로 합니다. 2026년 4월에 수행된 라우팅 텔레메트리 추적 중에, 우리는 헤드리스 코딩 에이전트가 다중 파일 리팩토링 작업을 어떻게 수행하는지 모니터링하기 위해 스테이징 환경에서 약 165,000개의 리포지토리 수준 파일 변경 사항을 감사했습니다. 데이터베이스는 브라우저 수준의 쿠키 핸드셰이크가 없음을 기록했으며, 이로 인해 후속 설치가 전적으로 직접 유입(direct traffic)으로 분류되었습니다. 이러한 상태 비저장 실행은 Google Play 설치 리퍼러 API와 같은 표준 클라이언트 측 추적 매개변수를 우회합니다. 또한 iOS SKAdNetwork(SKAN)나 Android 프라이버시 샌드박스 SDK 런타임에 의해 캡처되는 브라우저 수준의 리다이렉트도 방지합니다. 결과적으로 에이전트 기반 흐름이 백그라운드 API를 통해 트랜잭션을 완료하면 리퍼러 체인이 끊어집니다. 설치는 알 수 없는 직접 소스로 나타나 캠페인 측정에 현저한 차이를 야기합니다.

봇 군단과 광고 사기 위협 벡터

저비용 고성능 토큰은 보안 팀에게 새로운 과제를 안겨줍니다. 이와 병행하여, Alibaba의 최근 비수기 토큰 할인 정책은 비수기 동안 80% 할인을 제공합니다. 이러한 가격 변화는 야간에 자동화된 에이전트 스크립트를 실행하는 운영 비용을 극적으로 낮춥니다. 38,000건의 자동화된 리포지토리 커밋에 대한 정례 보안 검토 중에, 우리 팀은 3시간 이내에 집중된 전체 기록 설치의 약 8%를 차지하는 헤드리스 스크립트 클러스터를 식별했습니다. 이 봇넷은 프로그램 방식으로 설치 콜백을 스푸핑했으며, 이는 기본 클라이언트 측 임계값 기반 속도 제한만으로는 충분하지 않음을 입증합니다. 이러한 노출은 마케팅 비용을 보호하기 위해 개발자가 SDK 레벨에서 더 강력한 검증을 구현하도록 요구합니다.

자율 에이전트를 위한 안전한 SDK 통합 구축

에이전트 기반 워크로드를 보호하려면 체계적인 엔지니어링 접근 방식이 필요합니다. 한 가지 기본 방어책은 기기 수준의 상태 검증을 배포하는 것입니다. 개발자는 세션 요청 시 하드웨어 핑거프린트를 검증하는 상태 머신을 구현할 수 있습니다. 에이전트가 작업을 트리거하면 서버는 이 상태를 확인하여 실행 컨텍스트를 검증하고 무단 호출을 차단합니다. 에이전트 기반 코딩 환경에서 백그라운드 실행 채널을 보호하려면 체계적이고 암호화로 검증된 핸드셰이크가 필요합니다.

안전한 멀티 에이전트 식별자 설계

세션 간 데이터 유출을 방지하려면 실행 환경을 격리하는 것이 중요합니다. 개발자는 작업 완료 시 로컬 상태를 파괴하는 깨끗하고 일시적인 샌드박스 내에서 에이전트를 실행할 수 있습니다. 또한 모든 전송 매개변수에 암호화 서명을 적용해야 합니다. 개인 키로 모든 URL 콜백에 서명함으로써 시스템 엔지니어는 중간 스크립트가 페이로드를 변경하지 못하도록 방지하여 데이터 스트림의 무결성을 유지합니다. 이러한 보안 구성은 자동화된 스푸핑 시도를 차단하기 위한 강력한 무효 트래픽 필터링 아키텍처를 제공합니다.

SDK 구현에서의 암호화 서명 강화

내부 스프린트 주기를 기본 상태 머신 인프라 구축에 할애하지 않기 위해, 엔지니어링 팀은 일반적으로 업계 표준 참조 구현을 활용합니다. 프로덕션 환경에서 팀은 지연된 앱 매개변수 패스스루 프레임워크를 통합하여 복잡한 상태 머신 관리 없이도 서명 확인 및 상태 복원을 자동화할 수 있습니다. 이 통합을 통해 애플리케이션은 첫 실행 중에 보안 서버 콜백으로부터 원래의 추천 컨텍스트를 검색할 수 있습니다. 설치 루프를 통해 암호화 서명된 토큰을 전달함으로써 플랫폼은 원래의 트랜잭션 상태를 유지하여 전체 획득 수명 주기 전반에서 일관된 데이터 흐름을 보장합니다.

상태 복원에 대한 엔지니어링 및 마케팅의 일치

자율 에이전트 배포를 위한 워크플로우를 구현하려면 기술 부서와 마케팅 부서 간의 긴밀한 협력이 필요합니다. 엔지니어링 팀은 고유 식별자를 표준화하고 SDK 호환성을 보장하는 데 집중해야 합니다. 또한 개발자는 지역 스토어 내 라우팅 충돌을 방지하기 위해 멀티 테넌트 배포 전반에서 번들 ID를 관리해야 합니다. 한편, 아키텍트는 딥링크 조작을 방지하기 위해 iOS와 Android 플랫폼 모두에 대한 안전한 서명 확인을 구현해야 합니다.

개발자 및 아키텍트를 위한 기술적 고려 사항

아키텍트는 커스텀 URL 스킴, 유니버설 링크 및 앱 링크가 게이트웨이 레벨에서 검증되도록 해야 합니다. 이러한 구성은 웹-투-앱 전환 중에 악성 스크립트가 인텐트 라우팅을 하이재킹하는 것을 방지합니다. 서명 검증을 강제함으로써 팀은 표준화된 유니버설 링크 아키텍처를 사용하여 다운스트림 데이터 파이프라인을 보호하고 시스템 내 기록을 깨끗하게 유지할 수 있습니다.

디플레이션 환경에서의 성장 전략 및 고객 획득

성장 팀은 단일 클릭 이벤트보다는 코호트 분석 및 장기 유지 지표에 의존하도록 분석 방식을 조정해야 합니다. 멀티 채널 결정론적 어트리뷰션 엔진을 통합하면 사용자 의도를 보존하는 개인화된 온보딩 흐름을 생성할 수 있습니다. 추천이 발생하면 시스템은 수동 입력 없이도 자동으로 전환을 어트리뷰션할 수 있습니다. 이러한 접근 방식은 마케팅 비용 대비 수익(ROAS) 계산의 정확도를 향상시키고 에이전트가 생성한 무효 트래픽을 필터링하는 데 도움이 됩니다.