Frontis, OpenRSI 공개: 35B 모델로 구현한 'AI 자체 개선' 루프

OpenRSI는 'AI의 AI 자체 개선'이라는 개념을 실제 구동 가능한 엔지니어링 파이프라인으로 구현한 오픈소스 프레임워크입니다. 머신러닝 엔지니어링(MLE) 환경에 초점을 맞춰, 수천 대의 GPU 클러스터 없이도 단일 소비자용 그래픽카드 환경에서 코드 진화와 장기 탐색 루프를 직접 실행할 수 있도록 설계되었습니다.

어떤 기능을 제공하는가

OpenRSI는 AI가 스스로 코드를 작성하고, 실험을 실행하며, 에러 피드백을 기반으로 버그를 고쳐나가는 일련의 과정을 자동화합니다. 실행 환경을 구축하고 평가하는 OpenMLE-Gym, 실행 기반 학습을 담당하는 OpenMLE-RL, 장기 탐색 런타임인 OpenMLE-Evo, 그리고 이 구조에 맞춰 사후 훈련된 Frontis-MA1 모델로 구성됩니다.

핵심 메커니즘은 훈련과 추론 탐색 시 사용하는 액션 공간을 하나로 통일한 점입니다. 시스템은 코드를 처음부터 작성하는 Draft, 실행 로그를 기반으로 수정하는 Improve, 에러를 복구하는 Debug, 두 개의 유효한 코드를 재조합하는 Crossover 등 4가지 원자적 연산자를 정의했습니다. 모델은 SFT와 강화학습(RL)을 통해 이 4대 연산자를 체득하며, 탐색 단계에서 스스로 코드 진화의 변이 엔진으로 동작합니다.

컨텍스트 관리 방식도 효율적입니다. 모든 실행 로그와 히스토리를 무작정 프롬프트에 밀어 넣는 대신, 연산자별로 필요한 최소한의 실행 증거만 검색하도록 구성했습니다. 기존 AIRA-Evo 방식과 비교해 총 토큰 소모량을 41.7% 줄이면서도, 백만 토큰당 유의미한 코드 발견 효율을 84.3% 높였습니다.

성능 지표와 하드웨어 요구사항

공개된 Frontis-MA1 모델은 35B 및 30B 두 가지 크기이며, 표준 BF16 체크포인트와 양자화된 GGUF 파생 버전을 함께 제공합니다.

가장 돋보이는 부분은 현실적인 하드웨어 제약 조건입니다. 모든 실험은 12GB VRAM으로 제한된 단일 RTX 4090 환경에서, 작업당 12시간의 탐색 예산 조건으로 진행되었습니다.

MLE-Bench Lite 벤치마크에서 OpenMLE-Evo 탐색 프레임워크를 고정한 채 기본 모델을 Frontis-MA1 35B로 교체했을 때, 메달 획득률(Medal Average)은 39.39%에서 60.61%로 뛰어올랐습니다. 비동기 멀티 GPU 탐색을 지원하는 OpenMLE-Evo-Max 설정을 적용하면 71.21%까지 상승해 GPT-5.5 + Codex 조합을 넘어섰으며, GPT-5.6 Sol 및 2.8T 규모의 Kimi K3 성능에 근접했습니다.

훈련에 전혀 사용되지 않은 NatureBench Lite 환경에서도 컴포넌트별 전이 효과가 검증되었습니다. 탐색 프레임워크를 고정한 채 모델만 교체했을 때 SOTA 달성률이 50%에서 70%로 개선되었고, 기본 모델을 유지한 채 OpenMLE-Evo 프레임워크만 적용했을 때도 20%에서 50%로 상승했습니다.

개발진은 이 결과가 단일 생성 점수가 아닌 모델과 탐색 프레임워크가 결합된 시스템 총점이며, 범용 RSI를 완전히 해결한 것이 아니라 한정된 도메인에서의 메타 진화(Meta-Evolution) 수준임을 분명히 밝혔습니다.

실행 방법

OpenRSI의 모든 자원은 GitHub의 FrontisAI/OpenRSI 저장소에 공개되어 있습니다. 프레임워크 소스 코드 외에도 격리 실행 백엔드인 OpenMLE Sandbox, 검증 데이터셋 OpenMLE Tasks, 학습 궤적 데이터 OpenMLE SFT Traces를 모두 내려받을 수 있습니다.

저장소를 클론한 뒤 Python 3.12 가상환경을 구축하면, OpenMLE-Evo 디렉터리에 포함된 NatureBench 로컬 smoke 스크립트를 통해 즉시 단일 파이프라인 검증을 시작할 수 있습니다. 로컬 SGLang 인스턴스나 호환 모델 API를 연결하면 외부 클라우드 의존 없이 로컬에서 탐색 루프를 검증할 수 있습니다.

왜 중요한가

AI 에이전트와 코드 생성, 자동화된 머신러닝 연구에 관심이 있는 개발자라면 OpenRSI는 지금 당장 뜯어볼 가치가 충분합니다. 수많은 팀이 '재귀적 자기 개선'을 모호한 투자 유치용 내러티브로 소비할 때, Frontis는 이를 Draft, Improve, Debug, Crossover라는 4가지 구체적 연산자로 분해하고 가중치와 샌드박스를 모두 오픈소스로 공개했습니다.

이 프로젝트의 가장 영리한 점은 뛰어난 엔지니어링 효율성에 있습니다. 거대 클러스터 없이도 실행 피드백과 경량화된 컨텍스트 검색, 강화학습을 영리하게 결합하면 35B 크기의 모델로도 최상위 폐쇄형 모델 시스템에 필적하는 성과를 낼 수 있음을 입증했습니다. 다만 명확한 코드 실행 결과와 점수가 주어지는 MLE 환경을 벗어나, 정답이 모호한 범용 과학 연구 영역으로 이 진화 구조를 확장할 수 있을지는 계속 지켜봐야 할 부분입니다.