Ripple-65B Preview란? 더 큰 경쟁 모델을 능가하는 65B 오픈 모델

Ricursive Intelligence는 2026년 11월 4일 Ripple-65B Preview를 출시했습니다. 650억 개의 파라미터를 가진 밀집형(dense) 오픈 웨이트 모델로, 크기에도 불구하고 미국 오픈 웨이트 모델 중 자체 보고 기준 최고의 에이전틱 코딩 점수를 기록했습니다. 핵심 테스트에서 훨씬 큰 모델들을 능가하고, Apache 2.0 라이선스로 제공되며, 단일 머신에서 실행 가능합니다. Ripple-65B Preview가 실제로 무엇인지, 벤치마크 결과는 어떤지, 그리고 헤드라인을 신뢰하기 전에 알아야 할 주의 사항을 정리했습니다.

Ripple-65B Preview란?

Ripple-65B Preview는 12조 개의 토큰으로 처음부터 사전 학습된 650억 파라미터 규모의 밀집형 트랜스포머(dense Transformer) 모델로, 최대 100만 토큰의 컨텍스트를 지원합니다. 허용적인 Apache 2.0 라이선스로 출시되었으며, 직접 다운로드하여 실행할 수 있는 가중치(weights)를 제공합니다.

이 모델은 프론티어 LLM보다 AI 칩 설계로 더 잘 알려진 팔로알토 스타트업 Ricursive Intelligence에서 개발했습니다. Ripple은 Ricursive의 칩 설계 플랫폼을 구동하는 독점 모델의 범용 변형으로, 이제 오픈 웨이트 릴리스로 모든 사람에게 제공됩니다. Google의 AlphaChip 프로젝트에 참여했던 공동 창업자 Anna Goldie와 Azalia Mirhoseini가 이 프로젝트를 이끌고 있으며, 출시 당시 Google의 Jeff Dean으로부터 공개적인 축하를 받았습니다.

"Preview"라는 레이블은 중요한 의미를 가집니다. Ricursive의 설명에 따르면, 이 릴리스는 에이전틱 코딩에 초점을 맞춘 비교적 가벼운 사후 학습(post-training)을 거쳤기 때문에, 완성된 제품이 아닌 초기 체크포인트에 해당합니다.

Ripple-65B Preview 벤치마크

핵심 주장은 Terminal-Bench 2.1에서 80.52점입니다. 이 벤치마크는 모델이 터미널 내에서 코드를 얼마나 잘 작성하고 실행하는지를 측정합니다. Ricursive의 모델 카드에 따르면, 이 점수는 비교 대상이 된 미국 오픈 웨이트 모델 중 최고 수준입니다:

두 가지 사항이 눈에 띕니다. 첫째, 표에 있는 모든 경쟁 모델은 훨씬 더 많은 총 파라미터를 가진 혼합 전문가(Mixture-of-Experts, MoE) 모델입니다. Ripple은 밀집형이고 훨씬 작지만, Terminal-Bench 2.1과 SWE-bench Pro v2.0 Hard에서 이들을 앞섭니다. 둘째, 결과가 완전히 일방적이지는 않습니다. Reflection Beam은 SWE-bench Verified에서 여전히 앞서고, Muse Spark Open은 DeepSWE 1.1에서 우위를 보이며, 더 큰 모델들은 일반 지식(MMLU)과 일부 수학 분야에서 약간의 우위를 유지합니다.

즉, Ripple은 튜닝된 분야인 에이전틱 코딩에서 가장 강하고, 다른 분야에서는 경쟁력 있는 수준에 머뭅니다.

작은 밀집형 모델이 더 큰 모델을 능가할 수 있는 이유

Ricursive는 의도적인 아키텍처 선택을 했습니다. 대부분의 연구소가 현재 사용하는 MoE 설계 대신, 학습 및 서빙 인프라를 단순하게 유지하기 위해 현대화된 밀집형 트랜스포머(modernized dense Transformer) 를 학습시켰습니다. 이 모델은 "얇고 깊은(thin-and-deep)" 형태를 사용합니다. 80개 레이어에 걸쳐 5,120의 좁은 d_model을 가지며, 대규모 학습 안정성을 위해 Gemma-3N과 유사한 아키텍처를 채택했습니다.

효율성 측면이 진정한 핵심입니다. Ricursive는 총 R&D 비용을 약 3,200만 달러로 추산하며, 이는 에이전틱 코딩 분야의 이전 오픈 웨이트 선두 모델 비용의 약 10분의 1에 해당한다고 밝혔습니다. 또한 Reflection Beam이 사용한 것보다 약 70배 적은 140만 번의 RL 롤아웃으로 Terminal-Bench 점수에 도달했다고 보고합니다. 자체 Olmo 3 기준선 대비, Ricursive는 코드 분야에서 16배의 컴퓨팅 효율성 향상을 보고하며, 전체 규모에서는 55배까지 상승한다고 밝혔습니다.

이 수치들은 독립적인 연구소가 아닌 Ricursive에서 제공한 것이므로, 제3자가 재현하기 전까지는 벤더의 자체 보고 수치로 취급해야 합니다.

Ripple-65B Preview를 로컬에서 실행할 수 있나요?

네 — 그것이 핵심 목적 중 하나입니다. 총 650억 파라미터로, Ripple은 NVIDIA의 DGX Spark와 같은 소비자급 하드웨어에 맞출 수 있을 만큼 작으며, Ricursive는 로컬 개발용으로 포지셔닝하고 있습니다. 세 가지 체크포인트를 출시했습니다: 인스트럭션 튜닝된 BF16 모델, 양자화된 NVFP4 버전, BF16 베이스 모델, 그리고 시작을 위한 Colab 노트북도 함께 제공됩니다.

데이터센터 GPU에서 Ricursive는 양자화나 커스텀 커널 없이 배치 크기 8 기준 2xB200에서 초당 약 250 토큰을 보고합니다.

가중치와 호스팅 액세스는 다음에서 얻을 수 있습니다:

• Hugging Face — ricursiveAI/Ripple-65B-Preview (Apache 2.0 가중치)
• API 파트너 — Together AI, GMI Cloud, OpenRouter, 그리고 출시일에 라이브 예정인 Fireworks

"미국 오픈 웨이트 SOTA" 주장의 타당성

이 주장은 사실이지만 범위가 좁습니다. "미국 오픈 웨이트 모델 중 최고 수준"이라는 표현은 클로즈드 모델과 비미국 오픈 모델을 제외하므로, Ripple이 전체적으로 최고의 모델이거나 심지어 최고의 오픈 모델이라는 의미가 아닙니다. 독립적인 보도에서도 Ripple이 다른 벤치마크에서 일부 더 큰 오픈 모델에 뒤처진다는 점을 지적했습니다.

몇 가지 솔직한 주의 사항:

• 자체 보고. 헤드라인 점수는 Ricursive 자체의 것이며, Ricursive 스스로도 에이전틱 평가 점수는 사용하는 하네스(harness)와 설정에 따라 크게 달라진다고 언급합니다.
• Preview, 최종 버전 아님. 가벼운 사후 학습은 이후 릴리스에서 동작이 변경될 수 있음을 의미합니다.
• 제한된 주장. 선두 주장은 에이전틱 코딩 분야의 미국 오픈 웨이트 모델에 한정된 것으로, 보편적인 순위가 아닙니다.

이러한 사항들이 성과를 지우지는 않습니다. 65B 밀집형 모델이 500B~975B 규모의 경쟁 모델들과 동등하거나 능가하는 것은 진정한 결과입니다. 다만, 이 프레이밍은 출시일 벤치마크와 마찬가지로 동일한 수준의 검토가 필요하다는 의미입니다.

Ripple-65B Preview vs Reflection Beam vs Muse Spark Open

최근 오픈 웨이트 코딩 모델 중에서 선택한다면, 트레이드오프는 주로 크기 대 범용성의 문제입니다:

• Ripple-65B Preview — 가장 작고 실행 비용이 저렴하며, Terminal-Bench 2.1과 SWE-bench Pro v2.0 Hard에서 최고 성능; 밀집형으로 로컬 서빙이 용이합니다.
• Reflection Beam (501B) — SWE-bench Verified에서 더 강력하며, 훨씬 큰 MoE 모델로 호스팅 부담이 큽니다.
• Muse Spark Open (816B) — DeepSWE 1.1과 MCP Atlas에서 우위를 보이며, 광범위한 커버리지를 갖춘 더 큰 Meta 릴리스입니다.

로컬 배포 가능한 코딩 모델을 원하고 "Preview" 수준의 성숙도를 수용할 수 있는 팀에게 Ripple은 가장 흥미로운 새로운 선택지입니다. 코딩 평가 전반에 걸쳐 최대한의 범용성을 원한다면, 더 큰 모델들이 여전히 일부 분야에서 우위를 가집니다.

자체 AI 워크포스에서 오픈 모델 실행하기

Ripple-65B Preview는 에이전트가 하루 종일 수행하는 작업, 즉 저장소 읽기, 코드 작성, 터미널에서 명령 실행에 최적화되어 있습니다. Eigent는 해당 워크플로우를 로컬에서 실행하는 오픈 소스 멀티 에이전트 "Cowork" 데스크톱 앱입니다. GitHub 풀 리퀘스트 검토와 같은 작업에 에이전트 팀을 투입하고, 모델과 데이터를 자신의 머신에 유지할 수 있습니다. 로컬 오픈 웨이트 모델과 로컬 에이전트 런타임을 결합하고 싶다면, Eigent를 다운로드하여 자신만의 AI 워크포스 구축을 시작하세요.