GitHub 트렌딩 한 주 1위는 알리바바 AI 코드리뷰 도구

2026년 9월 25일에 수집한 GitHub 위클리 트렌딩에서 한 주 동안 스타를 가장 많이 모은 저장소는 알리바바가 공개한 AI 코드리뷰 도구 open-code-review였어요. 그 뒤로는 코딩 에이전트 여러 개를 나란히 돌리는 데스크톱 앱, 초대형 모델을 집 컴퓨터에서 돌려보려는 C 엔진이 이어졌어요. HuggingFace 쪽에서는 글을 만들지 않고 '판단'만 하는 작은 모델과 CPU에서 빠르게 도는 음성인식 모델이 눈에 띄었어요. 전부 읽어보고 6개만 골랐어요.

이번 회 고른 방식

• GitHub는 '한 주 신규 스타' 기준 — 위클리 트렌딩 페이지의 "stars this week" 값이에요. 저장소가 이번 주에 새로 생겼다는 뜻은 아니에요(세 저장소 모두 누적 스타가 주간치보다 훨씬 커요).
• HuggingFace는 등록 7일 이내만 — 모델·데이터셋 카드의 등록일(createdAt)이 2026년 9월 18일 이후인 것 중 트렌딩 상위에서 골랐어요.
• 숫자는 수집 시점 값, 설명은 원문 확인 — 스타·트렌딩스코어·다운로드는 2026-09-25 수집 값이고, "뭘 하는 물건인지"는 README와 모델 카드를 직접 읽고 썼어요.

📌 제외한 것 — 샤오미 MiMo-V2.6 시리즈는 HuggingFace 트렌딩 상위였지만 9월 24일 AI 주간 글에서 이미 다뤄 이번엔 뺐어요. Qwen-Image-2.1 파생 양자화본들도 원본이 아닌 재가공본이라 넣지 않았어요.

---

open-code-review — 알리바바 사내 코드리뷰 도구가 오픈소스로

README에 따르면 알리바바 그룹 안에서 2년 동안 공식 AI 코드리뷰 도우미로 쓰이며 수만 명의 개발자를 거쳤고, 그걸 오픈소스로 내놓은 CLI 도구예요. Git 변경분(diff)을 읽어 LLM에 넘기고, 줄 단위로 리뷰 댓글을 달아줘요.

쉽게 말하면 "정해진 규칙으로 걸러내는 검사기"와 "스스로 판단하는 AI 에이전트"를 섞은 구조예요. 널 포인터(NPE)·스레드 안전성·XSS·SQL 인젝션 같은 규칙이 기본으로 들어 있고, OpenAI·Anthropic 호환 모델을 붙여 써요. 라이선스는 Apache-2.0이고, 설치는 README에 적힌 npm 명령 한 줄이에요.

터미널 (README 설치 명령)

npm install -g @alibaba-group/open-code-review

README는 같은 모델을 쓸 때 범용 에이전트(Claude Code)보다 정밀도(Precision)·F1이 높고 토큰은 약 1/9만 쓴다고 적었어요. 대신 재현율(Recall)은 더 낮다고 스스로 밝혔는데, 잡음을 줄이려고 일부러 고른 선택이라고 해요.

⚠️ 주의 — 1/9 토큰·정밀도 우위는 README에 실린 자체 벤치마크예요. 독립 검증 결과는 이번 조사에서 찾지 못했어요.

수치는 2026-09-25 수집 기준 한 주 신규 스타 6,920개(누적 40,799개)로, 이번 목록 GitHub 저장소 중 가장 많아요. PR 리뷰 부담을 줄이고 싶은 팀이라면 먼저 볼 만해요.

Orca — 코딩 에이전트 여러 대를 나란히 돌리는 작업대

Orca README는 스스로를 "병렬 에이전트 무리와 일하기 위한 ADE"라고 소개해요. Codex·Claude Code·OpenCode 같은 코딩 에이전트를 옆에 나란히 띄우고, 각자 따로 된 git worktree에서 일하게 해요.

worktree는 쉽게 말하면 "한 저장소를 복사본 여러 개로 펼쳐 놓은 작업 책상"이에요. 같은 프롬프트를 다섯 에이전트에 던져 각자 다른 책상에서 풀게 하고, 결과를 비교해 제일 나은 걸 합치는 식이에요. 에이전트는 본인이 가진 구독으로 돌리고, macOS·Windows·Linux 데스크톱 앱에 iOS·안드로이드 동반 앱까지 있어요. 라이선스는 MIT예요.

2026-09-25 수집 기준 한 주 신규 스타 6,547개(누적 77,545개)예요. 에이전트 여러 개로 같은 과제를 비교해 보고 싶은 사람에게 맞아요.

colibri — 744B급 MoE 모델을 디스크에서 불러 쓰는 C 엔진

colibri README에 따르면 7,440억~2.8조 파라미터급 MoE 모델을 일반 하드웨어에서 돌리는 추론 엔진이에요. 순수 C로 짰고 엔진 의존성이 없어요.

MoE는 쉽게 말하면 "전문가 수백 명 중 질문마다 몇 명만 불러 일을 시키는 구조"예요. README는 744B 모델도 토큰 하나에 약 40B 파라미터만 쓴다고 설명해요. 그래서 colibri는 전문가 대부분을 디스크에 두고, 필요한 순간에 꺼내 쓰는 방식으로 메모리 부족을 버텨요.

README 표를 보면 GLM-5.2 기준 디스크 약 372GB, RAM 최소 16GB(여유 있게 24GB)이고 GPU는 없어도 돼요. 대신 속도는 기계에 따라 크게 갈려요. RAM 25GB 개발용 기기에선 초당 0.05~0.1토큰, RAM 128GB CPU 전용 데스크톱에선 약 1.8토큰, RTX 5090 6장에선 5.8~6.8토큰이라고 적었어요.

💡 팁 — "돌아간다"와 "쓸 만하다"는 달라요. README 실측으로도 RAM 25GB 기기에선 초당 0.1토큰 안팎이라, 실험·연구용으로 보는 편이 맞아요.

2026-09-25 수집 기준 한 주 신규 스타 2,055개(누적 37,541개), 라이선스는 Apache 2.0이에요. 초대형 모델을 직접 만져보고 싶은데 GPU가 없는 사람에게 흥미로운 프로젝트예요.

---

laya — 글을 쓰지 않고 '결정'만 내리는 4억 파라미터 모델

laya 모델 카드는 이 모델을 "비자기회귀 System 1 결정 모델"이라고 불러요. 이메일·티켓·JSON 같은 입력에 정해진 형식의 질문을 던지면, 문장을 생성하지 않고 확률이 붙은 답을 한 번의 계산(약 33ms)으로 돌려줘요.

비자기회귀는 쉽게 말하면 "한 글자씩 이어 쓰지 않고 한 번에 답을 고르는 방식"이에요. 카드는 이 모델이 글을 전혀 생성하지 않는다고 밝혀요. 영어용 기본 체크포인트는 ModernBERT-large 기반 421M, 다국어판(laya-multilingual)은 322M으로 100개 넘는 언어를 다뤄요. 쓰임새로는 이메일 분류·가드레일 같은 작업을 들었어요.

카드에 따르면 기본 영어 체크포인트는 4가지 업무 2,000건 판단에서 정확도 0.362였고, 그 업무로 미세조정한 버전은 0.766이었어요. 즉 그대로 쓰기보다 자기 데이터로 조금 더 학습시켜 쓰는 모델에 가까워요.

2026-09-18 등록, 수집 기준 트렌딩스코어 3,250·좋아요 3,406개로 이번 7일 신규 모델 중 가장 높았어요. 다만 HuggingFace API의 다운로드 수는 0으로 나왔고, 그 이유는 이번 조사에서 확인하지 못했어요. 라이선스는 Apache 2.0이에요.

parakeet-redux — 178MB로 줄인 CPU용 음성인식 모델

parakeet-redux 모델 카드에 따르면 엔비디아 parakeet-tdt-0.6b-v3의 1.58비트 버전이에요. 구조와 토크나이저는 같고, 인코더 가중치가 전부 -1·0·+1 셋 중 하나예요.

1.58비트는 쉽게 말하면 "숫자를 세 가지 값만 쓰도록 거칠게 줄인 것"이에요. 그 덕에 가중치가 1.2GB에서 178MB로 줄었고, x86 CPU 8코어에서 실제 시간보다 113배 빠르게 받아적는다고 카드에 적혀 있어요. 애플 M2 맥북 에어 CPU에서는 38배였어요.

정확도는 항목마다 달라요. 영어 7개 세트 평균 단어 오류율(WER)은 원본 6.26%, redux 6.55%로 조금 나빠졌고, 25개 언어 FLEURS에선 11.62%→10.56%로 오히려 좋아졌어요. 배경 소음 조건에선 6.72%→9.04%로 차이가 컸어요.

⚠️ 주의 — 지원 언어 25개가 전부 유럽어라 한국어는 목록에 없어요. 한국어 받아쓰기용으로는 맞지 않아요.

2026-09-18 등록, 수집 기준 트렌딩스코어 147·다운로드 918회, 라이선스는 CC-BY-4.0이에요. 서버 GPU 없이 영어·유럽어 음성을 빠르게 받아적고 싶은 사람에게 맞아요.

RecreationBench — 앱을 '똑같이 다시 만들기'로 AI를 재는 시험지

RecreationBench 데이터셋 카드에 따르면 Qwen이 공개한 컴퓨터 사용 에이전트용 벤치마크예요. 우분투·macOS·윈도·안드로이드·웹 5개 플랫폼에 50개씩, 앱 재현 과제 250개가 들어 있어요.

쉽게 말하면 "실행 중인 앱을 직접 만져보게 한 뒤, 똑같이 동작하는 앱을 새로 만들어 오라"는 시험이에요. 에이전트는 원본 앱을 탐색하고, 새 앱을 구현하고, 스스로 결과를 확인해요. 채점은 동작을 확인하는 프로그램 검사(Prog)와 시각 언어 모델이 화면을 보는 검사(VLM) 두 가지예요.

2026-09-18 등록, 수집 기준 다운로드 4,233회로 이번 7일 신규 데이터셋 중 가장 많았어요. 논문은 arXiv 2609.22000이에요. 에이전트 성능을 코딩 문제 말고 실제 앱 단위로 재보고 싶은 연구자에게 맞아요.

---

여섯 개 나란히 보기

항목	종류	수집 시점 핵심 수치	한 줄 성격	라이선스
open-code-review	GitHub	한 주 신규 스타 6,920	규칙+에이전트 코드리뷰 CLI	Apache-2.0
Orca	GitHub	한 주 신규 스타 6,547	병렬 코딩 에이전트 앱	MIT
colibri	GitHub	한 주 신규 스타 2,055	디스크 스트리밍 MoE 엔진	Apache 2.0
laya	HF 모델	트렌딩스코어 3,250	421M 결정·분류 모델	Apache 2.0
parakeet-redux	HF 모델	다운로드 918	178MB CPU 음성인식	CC-BY-4.0
RecreationBench	HF 데이터셋	다운로드 4,233	앱 재현 에이전트 벤치	혼합(프레임워크 MIT)

이번 주 한 줄 요약

• GitHub 쪽은 코드리뷰(open-code-review)와 에이전트 병렬 실행(Orca)처럼 AI 코딩 도구를 팀 작업에 붙이는 도구가 스타를 가장 많이 모았어요.
• HuggingFace 쪽은 거대 모델보다 작고 빠른 모델(laya 421M, parakeet-redux 178MB)이 눈에 띄었어요.
• PR 리뷰가 고민이면 open-code-review, GPU 없이 큰 모델을 실험하려면 colibri, CPU 음성인식이 필요하면 parakeet-redux부터 보세요.
• 지난 회 목록은 8월 8일 GitHub·HuggingFace 트렌딩 정리에 있어요.

저장소·모델 링크

• GitHub Trending (weekly)
• alibaba/open-code-review
• stablyai/orca
• JustVugg/colibri
• convaiinnovations/laya
• moondream/parakeet-redux
• Qwen/RecreationBench

2026-09-25 작성