마이크로소프트, FrogNano-4B 에이전틱 코딩 모델 출시

마이크로소프트가 저장소 단위 소프트웨어 엔지니어링 작업에 최적화된 에이전틱 모델 FrogNano-4B-2609를 공개했다. 이 모델은 Qwen/Qwen3.5-4B에서 파생되었으며, 기본 아키텍처의 Gated DeltaNet과 게이트 어텐션 메커니즘을 유지하되 코딩 워크플로에 특화된 텍스트 전용 후처리 학습을 거쳤다.

학습 및 방법론

모델은 약 1,500개의 합성 SWE 작업 환경에서 강화 학습을 통해 훈련되었다. 이러한 환경은 TaskPilot을 사용해 진화하는 정책 대비 생성 및 보정된다. 학습에는 5개 도구가 포함된 Leaf 하네스와 전체 다중 턴 코딩 궤적에 대한 실행 가능한 테스트 기반 보상이 활용된다. 행동 증류 방법과 달리 FrogNano는 더 큰 모델의 해결 궤적이나 추론 흔적에서 학습하지 않는다.

기능 및 한계

FrogNano는 저장소 탐색, 디버깅, 코드 편집, 패치 생성 등 장기적인 작업 성능을 4B 파라미터의 컴팩트한 규모에서 향상하도록 설계되었다. Leaf 하네스와 통합 시 코드베이스와 상호작용하기 위해 구조화된 도구 호출을 생성하며, Leaf는 격리된 환경에서 이 호출을 실행해 후보 패치를 만든다.

주요 한계점은 다음과 같다:

• 성능 민감도: 결과는 Leaf 하네스와 테스트 케이스의 품질에 크게 좌우된다.
• 데이터 편향: 학습 데이터는 Python 중심이며 영어에 치우쳐 있다.
• 보안 위험: 생성된 패치는 기존 테스트를 통과하더라도 부정확하거나 안전하지 않을 수 있어 배포 전 인간 검토, 회귀 테스트, 보안 검증이 필수적이다.