TAU-HOME.COM
LOADING

순수 강화학습 코딩 모델 DaisyRose-27B 공개 및 llama.cpp v1.0.0 시멘틱 버저닝 채택

지도학습과 증류 과정 없이 순수 강화학습만으로 Qwen3.8-27B의 코딩 성능을 끌어올린 RadixArk의 DaisyRose-27B 모델과, API 및 ABI 안정성을 위해 시멘틱 버저닝을 도입한 llama.cpp v1.0.0 주요 소식을 정리했습니다.

tau · 2026년 11월 21일

#DaisyRose-27B #llama.cpp #Qwen #강화학습 #로컬AI

순수 강화학습 코딩 모델 DaisyRose-27B 공개 및 llama.cpp v1.0.0 시멘틱 버저닝 채택

2026년 11월 셋째 주 오픈소스 인공지능 및 로컬 인공지능 생태계에서 주목할 만한 두 가지 소식이 전해졌습니다. 연구 개발 기업 래딕스아크(RadixArk)는 지도학습이나 지식 증류(Knowledge Distillation, 거대 모델의 지식을 경량 모델에 전수하여 학습하는 기법) 과정 없이 순수 강화학습(Reinforcement Learning, RL)만으로 성능을 극대화한 오픈소스 코딩 모델 'DaisyRose-27B'를 공개했습니다. 이와 함께 대규모 언어 모델을 로컬 환경에서 실행할 수 있도록 지원하는 핵심 라이브러리인 'llama.cpp'와 'ggml' 프로젝트가 정식 시멘틱 버저닝(Semantic Versioning, 소프트웨어 버전 번호의 의미를 체계적으로 부여하는 규칙) 체계인 v1.0.0을 채택했습니다.

순수 강화학습 모델 DaisyRose-27B와 llama.cpp v1.0.0 관련 로컬 AI 생태계 소식을 다루는 문서 개념도

이미지 출처: https://toolhalla.ai/blog/this-week-in-local-ai-2026-11-20

이번에 발표된 두 소식은 로컬 인공지능 생태계가 실험 단계를 넘어 실무적인 안정성과 고도화된 학습 방법론 단계로 진입하고 있음을 보여줍니다. 특히 지도학습 없이 강화학습만으로 전문적인 코딩 에이전트 성능을 끌어올린 시도와, 오픈소스 생태계 전반의 의존성 안정을 위한 버전 관리 체계 개편은 개발자와 로컬 인공지능 사용자 모두에게 중요한 변화입니다.

지도학습 없는 순수 강화학습 코딩 모델, DaisyRose-27B

래딕스아크가 2026년 11월 18일에 공개한 'DaisyRose-27B'는 알리바바의 오픈소스 대형 언어 모델인 'Qwen3.8-27B'를 기반으로 제작된 아파치 2.0(Apache 2.0) 오픈소스 모델입니다. 모델 제작사는 마일스(Miles)라는 자체 강화학습 환경을 활용해 모델을 훈련했습니다.

이 모델의 가장 큰 특징은 기존의 지도학습(Supervised Fine-Tuning, SFT, 정답 데이터셋을 바탕으로 모델을 교정하는 학습 방식)이나 지식 증류 과정을 거치지 않고, 오직 강화학습만으로 파인튜닝을 진행했다는 점입니다. 래딕스아크의 자체 평가에 따르면, 터미널 환경에서의 코딩 에이전트 성능을 측정하는 벤치마크인 'Terminal Bench 4.1 pass@1' 기준 모델 성능이 기존 5.6%에서 12.0%로 대폭 향상되었습니다. 단, 해당 수치는 제작사가 내부 미니 에이전트 하네스를 활용해 8회 반복 측정한 평균값으로, 실제 사용자 환경과는 차이가 있을 수 있습니다.

DaisyRose-27B는 원본 모델의 아키텍처와 토크나이저(Tokenizer, 텍스트를 인공지능이 이해하는 단위인 토큰으로 쪼개는 장치), 대화 템플릿을 그대로 유지하므로 별도의 수정 없이 기존 Qwen3.8-27B의 드롭인(Drop-in, 기존 시스템을 수정하지 않고 곧바로 교체해 쓸 수 있는 방식) 대체재로 활용할 수 있습니다.

로컬 실행을 위한 하드웨어 요구 사항과 양자화 파일

로컬 환경에서 이 모델을 구동하려는 사용자들을 위해 커뮤니티 개발자인 바르토스키(bartowski) 등이 GGUF(GPT-Generated Unified Format, 거대 언어 모델을 개인용 컴퓨터의 CPU와 GPU에서 효율적으로 실행하기 위해 압축·양자화한 파일 포맷) 양자화 파일을 제작해 공개했습니다.

  • BF16 / FP8 / NVFP4 원본 및 포맷: 래딕스아크는 정밀도별 원본 체크포인트를 함께 배포하고 있습니다.
  • 양자화 파일 용량: 커뮤니티 GGUF 파일 기준으로 Q4_K_M(4비트 양자화 모델)은 약 16.14 GiB, IQ4_XS(초저손실 4비트 양자화 모델)는 약 14.32 GiB, Q3_K_M(3비트 양자화 모델)은 약 12.41 GiB의 용량을 가집니다.

16GB 비디오 메모리를 탑재한 일반적인 그래픽카드나 맥북 환경에서 Q4_K_M 파일을 구동할 경우, 모델 파일 자체만으로도 상당한 용량을 차지하므로 대화 컨텍스트(Context, 인공지능이 기억하고 처리하는 문맥의 크기)를 짧게 설정하거나 더 가벼운 3비트 계열의 IQ4_XS 및 Q3_K_M 포맷을 고려해야 합니다.

llama.cpp 및 ggml 라이브러리의 v1.0.0 정식 채택

동일 주간에 로컬 인공지능 구동의 근간이 되는 'llama.cpp'와 'ggml' 프로젝트도 중요한 이정표를 세웠습니다. 개발팀은 2026년 11월 13일부로 기존의 빌드 번호 중심 운영에서 벗어나 정식 시멘틱 버저닝(v1.0.0)을 채택한다고 공식 발표했습니다.

앞으로 두 프로젝트는 퍼블릭 C API(C 언어로 작성된 프로그램 인터페이스)의 하위 호환성이 깨지는 변경 사항이 발생할 경우 메이저 버전(Major Version)을 올리기로 했습니다. 신기능 추가와 백엔드 업데이트, 신규 모델 아키텍처 지원은 마이너 버전(Minor Version)으로, 버그 수정은 패치 버전으로 관리됩니다.

  • 안정성 확보: 수많은 서드파티 응용 프로그램과 인터페이스가 llama.cpp를 기반으로 구동되고 있는 만큼, 이번 버전 관리 체계 도입은 개발자와 배포자에게 예측 가능하고 안정적인 개발 환경을 제공합니다.
  • 지속적인 빌드 업데이트: 시멘틱 버저닝 도입 이후에도 기존의 순차적 빌드 번호 발행은 계속되며, 예를 들어 b12406 빌드에서는 텍스트와 비전을 동시에 처리하는 잉클링 2(Inkling 2) 지원 기능이 추가되는 등 발빠른 기능 개선이 이어지고 있습니다.

출처

Impact-Site-Verification: 9b3ebd10-6c45-44cf-a014-5b8c19b7b285