Ornith-1.5-122B의 개요
Ornith-1.5-122B는 Ornith 1.5 제품군의 1,220억 파라미터 모델입니다. 가중치는 2026년 10월 16일 Hugging Face에 올라왔고, FP8, NVFP4, GGUF, MLX 빌드가 10월 20일에 뒤따랐습니다. 9B, 35B, 397B 크기보다 두 달 늦습니다. 구성은 Qwen3.5의 전문가 혼합 구조(전문가 256개, 토큰당 8개 라우팅, 선형 어텐션과 전체 어텐션을 섞은 48개 레이어)를 따르며, Ornith는 활성 파라미터 수를 공개하지 않습니다. 학습은 Qwen3.5와 Gemma 4를 기반으로 한 Ornith-1.0을 확장한 것입니다. 모델이 새 학습 과제를 제안하고, 각 과제를 시도할 에이전트 환경을 만들고, 그 결과로부터 강화학습으로 배웁니다.
Ornith는 SWE-bench Verified 84.5%, SWE-bench Pro 76.9%, Terminal-Bench 2.1 81.2%를 보고합니다. 스스로 부정 방지 장치라고 부르는 조건에서 채점한 결과이며, 대부분의 코딩 및 에이전트 테스트에서 Qwen3.8-Flash-Next와 Nemotron 3.5 Super VL을 앞선다고 주장합니다. 답하기 전에 추론하고, 텍스트와 이미지를 받고, 도구 호출과 262,144 토큰 컨텍스트를 지원하며, vLLM과 SGLang에서 돌아갑니다. 모델 카드는 80 GB GPU 한 장으로 서비스할 수 있다고 하지만, 그에 가까운 것은 4비트 빌드(약 76~78 GB)뿐입니다. FP8은 133 GB, BF16은 250 GB입니다.
가중치는 MIT 라이선스입니다.
Ornith-1.5-122B, 쓸 만한 가치가 있습니까?
Ornith-1.5-122B는 같은 체급에서 가장 눈에 띄는 수치를 냈지만, 구매자에게 가장 중요한 주장은 보이는 것보다 약합니다. 모델 카드는 80 GB GPU 한 장으로 서비스할 수 있다고 하지만, BF16 체크포인트는 250 GB, FP8 빌드는 133 GB입니다. 80 GB 카드 한 장에 근접하는 것은 4비트 릴리스인 77.7 GB의 NVFP4와 75.8 GB의 Q4_K_M GGUF뿐이며, 이것도 262,144 토큰 컨텍스트에 필요한 캐시를 위한 여유가 거의 없습니다.
Ornith 자체 표에서 SWE-bench Pro 점수는 76.9%로 Qwen3.8-Flash-Next의 43.9%보다 33포인트 높습니다. 독립적인 확인이 필요한 격차입니다. 다른 항목에서는 차이가 작습니다. Terminal-Bench 2.1에서는 Qwen3.8-Flash-Next가 83.4% 대 81.2%로 앞서고, SWE-bench Verified에서는 차이가 2포인트 미만입니다. "no-hack" 설정은 모델에 보상 해킹을 하지 말라고 경고하고, 그래도 해킹한 답은 오답으로 처리했다는 뜻입니다. 대부분의 연구소보다 신경을 쓴 것이지만, 규칙을 만들고 적용한 것도 Ornith이고, 두 벤치마크에서는 Claude Opus를 채점자로 썼습니다.
이 연구소를 지켜볼 이유는 학습 방법입니다. 매 주기마다 모델이 더 어려운 과제를 제안하고, 이 과제는 성공률 20% 목표를 중심으로 타당성, 새로움, 난이도로 채점됩니다. 이어 모델이 과제를 시도할 스캐폴드를 만들고, 강화학습 방법인 GRPO로 시도 결과에서 배웁니다. 블로그는 보상에 해킹 저항 항이 있다고 밝히지만 어떻게 계산하는지는 말하지 않습니다. 스스로 시험 문제를 만드는 루프에서는 중요한 부분입니다.
이미 Qwen을 쓰는 사람이라면 도입은 쉽습니다. 구조가 Qwen3.5와 같고, 서비스 명령은 Qwen의 도구 및 추론 파서를 쓰며, vLLM 0.19.1+, SGLang 0.5.9+, Ollama가 모두 작동합니다. Ornith는 구성원, 소재지, 투자 정보를 공개하지 않지만, 35B GGUF는 지난 한 달 Hugging Face에서 약 390만(3.9 million) 회 다운로드됐습니다. 연구소가 익명으로 남더라도 이 제품군에는 실제 사용자가 있습니다. 방법을 설명한 8월 블로그 글은 122B보다 먼저 나와 이 모델은 다루지 않습니다.
제 역할을 하는 곳
80 GB GPU 한 장을 가진 ML 플랫폼 엔지니어
서비스 스택을 다시 짜지 않고 Qwen3.5 기반 코딩 모델 교체
vLLM이나 SGLang에서 모델 경로만 바꾸고 qwen3 추론 및 도구 파서는 그대로 둡니다. 실제로는 4비트 빌드에 캐시용 메모리를 남기도록 262K보다 훨씬 짧은 컨텍스트를 써야 합니다. 모든 점수가 Ornith의 것이므로 먼저 자체 회귀 테스트 세트를 돌립니다.
80 GB GPU 두 장짜리 노드를 운영하는 인프라 팀
사내 코딩 에이전트를 4비트가 아닌 FP8 품질로 서비스
133 GB FP8 체크포인트에는 텐서 병렬 2로 카드 두 장이 모두 필요하며, 이는 모델 카드의 대표 문구가 암시하는 하드웨어의 두 배입니다. 문서에 나온 vLLM 명령의 프리픽스 캐싱은 반복되는 저장소 컨텍스트에 도움이 됩니다.
규제를 받는 핀테크의 엔지니어링 책임자
허용적 라이선스로 에이전트형 코딩 모델을 사내에서 실행
MIT 가중치는 협상 없이 상업적 사용과 파인튜닝을 허용하고, 코드는 네트워크 밖으로 나가 지 않습니다. 대가는 공급자 위험입니다. 기댈 수 있는 공개된 팀, 지원 계약, 자체 API가 없습니다.
도입 전 확인할 점
- 설정
- `ollama run ornith-1.5:122b`는 73~77 GB를 내려받습니다. 서버용으로는 모델 카드의 vLLM 또는 SGLang 명령에 Transformers 5.8.1+, vLLM 0.19.1+ 또는 SGLang 0.5.9+가 필요합니다.
- 연동
- 도구 호출과 별도의 reasoning_content 필드를 갖춘 OpenAI 호환 chat completions를 제공합니다. 모델 카드에는 Ollama, llama.cpp, Atomic.chat, Hermes Agent가 나옵니다. 이미지 입력은 GGUF 저장소의 mmproj 파일을 씁니다.
- 데이터와 개인정보
- 자체 호스팅 전용이므로 데이터는 실행하는 곳에 남습니다. 자체 API가 없으니 검토할 보존이나 학습 조건도 없습니다.
- 대규모 사용 시 비용
- 가중치는 무료입니다. BF16은 250 GB(멀티 GPU 노드), FP8은 133 GB(80 GB 카드 두 장)이며, 80 GB 카드 한 장에 근접하는 빌드는 NVFP4(77.7 GB)와 Q4_K_M(75.8 GB)뿐입니다. Mac에는 68.7 GB MLX 4비트 빌드가 있습니다. 자체 호스팅 가격은 공개되지 않았습니다. NanoGPT는 100만 토큰당 입력 $0.20, 출력 $0.80을 표시하지만 모델을 사용 불가로 표시합니다.
- 제한
- 추론이 기본으로 켜져 있어 답변 앞에 think 블록이 붙습니다. 컨텍스트는 262,144 토큰이며, YaRN으로 약 1M까지 늘릴 수 있지만 일반 길이 입력에서 품질이 다소 떨어집니다.
좋은 점
- SWE-bench Verified 84.5%, Pro 76.9% 보고
- MIT 라이선스
- Qwen3.5 기반 vLLM 또는 SGLang 스택에 그대로 교체 가능
- 출시 때 부터 FP8, NVFP4, GGUF, MLX 빌드 제공
아쉬운 점
- "80 GB GPU 한 장"은 4비트에서만 가능
- 모든 점수가 Ornith가 정한 규칙에 따른 자체 보고
- 공개된 팀, 투자 정보, 자체 API 없음
- Terminal-Bench 2.1에서 Qwen3.8-Flash-Next에 뒤짐
추천 대상
대형 GPU 한 장으로 오픈 가중치 코딩 에이전트를 서비스하면서 자체 평가를 돌릴 수 있는 팀.
Ornith-1.5-122B 대안
Ornith-1.5-122B: 자주 묻는 질문
- Ornith-1.5-122B, 쓸 만한 가치가 있습니까?
- 이름을 공개한 사람이 없는 연구소에서 나온 놀라운 코딩 점수입니다. GPU 한 장이면 된다는 주장은 4비트에서만 성립합니다. 평점은 5점 만점에 3.6점입니다.
- Ornith-1.5-122B의 가격은 얼마입니까?
- MIT 라이선스의 무료 오픈 가중치입니다. 자체 하드웨어나 호스팅 비용만 듭니다.
- Ornith-1.5-122B의 단점은 무엇입니까?
- "80 GB GPU 한 장"은 4비트에서만 가능; 모든 점수가 Ornith가 정한 규칙에 따른 자체 보고; 공개된 팀, 투자 정보, 자체 API 없음; Terminal-Bench 2.1에서 Qwen3.8-Flash-Next에 뒤짐.
- Ornith-1.5-122B에 적합한 사람은 누구입니까?
- 대형 GPU 한 장으로 오픈 가중치 코딩 에이전트를 서비스하면서 자체 평가를 돌릴 수 있는 팀.
- 팀이나 프로덕션 환경에서 Ornith-1.5-122B의 비용은 얼마입니까?
- 가중치는 무료입니다. BF16은 250 GB(멀티 GPU 노드), FP8은 133 GB(80 GB 카드 두 장)이며, 80 GB 카드 한 장에 근접하는 빌드는 NVFP4(77.7 GB)와 Q4_K_M(75.8 GB)뿐입니다. Mac에는 68.7 GB MLX 4비트 빌드가 있습니다. 자체 호스팅 가격은 공개되지 않았습니다. NanoGPT는 100만 토큰당 입력 $0.20, 출력 $0.80을 표시하지만 모델을 사용 불가로 표시합니다.
- Ornith-1.5-122B에 회사 데이터를 맡겨도 안전합니까?
- 자체 호스팅 전용이므로 데이터는 실행하는 곳에 남습니다. 자체 API가 없으니 검토할 보존이나 학습 조건도 없습니다.
- Ornith-1.5-122B의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Qwen3.8-Flash-Next, Nemotron 3.5 Super VL 및 DeepSeek-V4.1-Flash입니다.
답변 확인일: 2026년 10월 23일.