한 줄 결론 : 650억 파라미터 ‘Ripple-65B Preview’가 훨씬 큰 모델들을 제치고 미국 오픈웨이트 에이전트 코딩 벤치마크 1위에 올랐고, 학습비는 기존 SOTA의 1/10 수준인 $32M이라는 점이 핵심입니다.
무슨 일이 있었나
풀스택 AI 랩 Ricursive Intelligence가 Ripple-65B Preview를 공개했습니다. 이 모델은 자사의 AI 칩 설계 플랫폼을 구동하는 독점 모델의 범용 변형판으로, 12조(12T) 토큰으로 사전학습됐고 최대 1M 컨텍스트 길이를 지원합니다.
핵심 성과는 에이전트 코딩 벤치마크 TerminalBench 2.1에서 80.52점을 기록해 미국 오픈웨이트 SOTA를 달성한 것입니다. 원문에 따르면 이는 Reflection Beam 501B(80.1), Meta Muse Spark Open 816B(76.4), Thinking Machines Inkling 975B(63.8), NVIDIA Nemotron 3 Ultra 550B(56.4) 등 훨씬 큰 모델들을 앞선 수치입니다. 모델은 Hugging Face, Together AI, GMI Cloud, OpenRouter에서 이용 가능하며 Fireworks도 곧 지원 예정이라고 밝혔습니다.
누구에게 의미가 있나
신경 써야 할 사람은 두 부류입니다. 첫째, 에이전트 코딩/터미널 자동화를 실제 제품에 붙이는 개발자. 작은 파라미터로 큰 모델급 성능을 낸다면 추론 지연과 비용 모두 유리합니다. 둘째, 로컬 추론을 고려하는 팀입니다. 원문은 dense 구조와 작은 파라미터 규모 덕분에 NVIDIA DGX Spark처럼 FLOPs는 높지만 메모리 대역폭이 낮은 로컬 기기에서도 효율적으로 돌아간다고 설명합니다.
반대로 일반 챗봇/글쓰기 용도만 필요하거나, 이미 상용 API로 충분한 사용자라면 당장 갈아탈 이유는 크지 않습니다. ‘Preview’ 단계라는 점도 감안해야 합니다.
직접 해보려면
원문 기준으로 접근 경로는 다음과 같습니다.
- 가중치 다운로드: Hugging Face
- API/호스팅 추론: Together AI, GMI Cloud, OpenRouter (Fireworks 추가 예정)
- 로컬 구동 참고: NVIDIA DGX Spark 등에서 효율적 실행 가능하다고 명시
구체적인 설치 명령이나 요금은 원문에 제시되지 않아 각 플랫폼에서 직접 확인이 필요합니다. [[직접 확인 필요]]
대안과 비교
원문이 직접 제시한 TerminalBench 2.1 점수 비교입니다.
| 모델 | 파라미터 | TerminalBench 2.1 |
|---|---|---|
| Ripple-65B Preview | 65B(dense) | 80.52 |
| Reflection Beam | 501B | 80.1 |
| Meta Muse Spark Open | 816B | 76.4 |
| Thinking Machines Inkling | 975B | 63.8 |
| NVIDIA Nemotron 3 Ultra | 550B | 56.4 |
주목할 점은 비용과 효율입니다. 원문은 Ripple-65B를 밑바닥부터 $32M에 개발했으며, 이는 기존 오픈웨이트 코딩 SOTA의 약 1/10이라고 주장합니다. 또 MoE 대신 modernized dense Transformer를 택해 커스텀 커널·양자화 없이도 MFU 40%를 유지했고, 1.4M 롤아웃(이전 SOTA 대비 약 70배 적은 양)으로 80.5점에 도달했다고 밝혔습니다.
한계와 주의할 점
몇 가지는 신중히 봐야 합니다. 첫째, 비교 대상으로 언급된 경쟁 모델명과 점수, $32M 비용 추정은 모두 Ricursive 자체 발표에 기반하며 제3자 검증 결과가 아닙니다. 둘째, TerminalBench 2.1 단일 벤치마크 성과가 모든 실무 코딩 상황을 대표하지는 않습니다. 셋째, ‘Preview’ 버전인 만큼 안정성과 라이선스 조건, 실제 토큰당 비용은 별도 확인이 필요합니다.
자주 묻는 질문 (FAQ)
Q. Ripple-65B Preview는 어디서 쓸 수 있나요?
Hugging Face에서 가중치를 받을 수 있고, Together AI·GMI Cloud·OpenRouter를 통해 추론이 가능합니다. Fireworks 지원도 예정돼 있습니다.
Q. 왜 MoE 대신 dense 구조를 썼나요?
학습·서빙 인프라 복잡도를 낮추면서도 강한 추론 성능을 내기 위해서라고 밝혔습니다. 그 결과 커스텀 커널이나 양자화 없이도 MFU 40%를 유지했다고 설명합니다.
출처
- Ricursive Intelligence — Ripple-65B Preview
- HackerNews 토론 (Score 197, Comments 67)