Ricursive Intelligence, 오픈 웨이트 모델 Ripple-65B Preview 공개
Ricursive Intelligence가 내려받아 쓸 수 있는 Ripple-65B Preview를 공개했습니다. 에이전트 코딩 시험 TerminalBench 2.1에서 80.52점을 받았다고 회사는 밝혔습니다.
2026년 11월 5일 기준 소식입니다. 그 뒤로 달라졌을 수 있습니다.
AI가 자동으로 쓴 글이고, 아직 검수 전입니다. 틀린 곳이 있으면 sbp@saibridgepeople.com으로 알려 주세요.
Ricursive Intelligence가 AI 칩 설계 플랫폼에 쓰는 독점 모델의 범용 버전, Ripple-65B Preview를 공개했습니다. 공식 페이지에는 "오늘 공개"라고만 적혀 있어 정확한 날짜는 확인하지 못했습니다.
무엇이 나왔나
Ripple-65B Preview는 가중치(모델의 학습 결과물)를 내려받아 쓸 수 있는 오픈 웨이트 모델입니다. 12조 토큰(글자 조각 단위의 학습 분량)으로 사전학습했고, 한 번에 최대 1M 컨텍스트 길이, 곧 입력 분량을 다룰 수 있다고 합니다. 구조는 전문가 여러 개를 골라 쓰는 MoE 방식이 아니라 모든 부분이 매번 일하는 밀집(dense) 트랜스포머이며, 층은 80개입니다.
회사는 에이전트 코딩 성능을 재는 TerminalBench 2.1에서 80.52점을 받아 미국 오픈 웨이트 모델 중 최고라고 주장합니다. 비교 점수는 다음과 같습니다.
| 모델 | TerminalBench 2.1 점수 | |---|---| | Ripple-65B Preview | 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 |
개발과 학습에 든 전체 비용은 3,200만 달러라고 합니다. 데이터 구성, 평가, 디버깅, 합성 데이터 생성, 사후학습 방법 개발, 최종 학습 실행까지 모두 합친 금액입니다. 회사는 이를 이전 오픈 웨이트 에이전트 코딩 최고 모델 비용의 10분의 1로 봅니다.
Hugging Face, Together AI, GMI Cloud, OpenRouter에서 쓸 수 있고, Fireworks는 당일 늦게 제공을 시작한다고 밝혔습니다.
쉽게 풀어 보면
오픈 웨이트 모델은 요리법과 완성된 요리를 함께 받아 내 주방에서 다시 데울 수 있는 것과 비슷합니다. 서비스 회사의 서버에 매번 부탁하지 않고, 내 장비나 빌린 서버에서 직접 돌릴 수 있습니다.
TerminalBench는 AI가 명령 창에서 실제 작업을 얼마나 해내는지 보는 시험입니다. 점수가 높을수록 코딩 같은 일을 스스로 이어 가는 능력이 좋다고 해석합니다.
효율에 관한 주장도 몇 가지 있습니다. 학습 중 장비 성능을 40% 수준으로 꾸준히 활용했고(MFU, 장비가 낼 수 있는 계산력 중 실제로 쓴 비율), 특수 최적화 없이 이를 달성했다고 합니다. 롤아웃(AI가 작업을 시도해 보는 연습 횟수)은 140만 개로 80.5점에 닿았는데, 이전 최고 모델보다 약 70배 적다고 합니다. 4B(40억 매개변수) 규모 실험에서는 코드 학습 설계를 개선해 같은 수준의 코드 성능을 최대 16배 적은 연산으로 얻었다고 합니다.
크기가 비교적 작아 NVIDIA DGX Spark 같은 로컬 기기에서도 효율적으로 돌아간다는 설명도 있습니다.
그래서 어떤 의미일까요
아래는 위 내용을 바탕으로 한 저희의 해석입니다.
일반 사용자가 당장 체감할 변화는 많지 않습니다. 완성된 앱이 아니라 개발자가 가져다 쓰는 모델이고, 이름에도 Preview가 붙어 있습니다. 다만 OpenRouter 같은 중개 서비스에서 제공하므로, 그 위에서 만든 코딩 도구나 자동화 서비스가 이 모델을 쓸 수 있습니다.
작은 가게나 회사에는 선택지가 하나 늘어난 정도입니다. 회사 내부 코드나 고객 자료를 바깥 서버로 보내기 부담스러운 곳이라면 로컬에서 돌릴 수 있다는 점이 눈에 띕니다. 다만 어느 정도 사양의 장비에서 얼마나 빠르게 도는지는 원문에 수치가 없어, 실제 도입 비용은 따져 봐야 합니다.
3,200만 달러라는 개발비는 큰 금액이지만, 회사 주장대로라면 이 분야의 이전 모델보다 훨씬 적습니다. 소규모 팀이 직접 모델을 만들 수 있다는 뜻은 아니며, 이 비용이 앞으로 다른 모델 개발에도 이어질지는 지켜봐야 합니다.
아직 확실하지 않은 것
- 게시일이 공식 페이지 본문과 메타데이터에 없어 정확한 공개 날짜를 모릅니다.
- 라이선스(사용 조건)는 이 페이지에서 확인되지 않습니다. 상업적으로 쓸 수 있는지는 Hugging Face 모델 카드를 봐야 알 수 있습니다.
- 벤치마크 점수는 회사가 직접 발표한 값이고, 제3자 검증은 페이지에 없습니다.
- 비용이 이전 최고 모델의 10분의 1이라는 말은 회사의 자체 추정입니다. 비교 대상인 Reflection의 비용은 보도를 근거로 했습니다.
- 원문은 이 모델을 코딩 전용이 아니라 범용 모델로 설명합니다. 코딩 외 분야의 성능 자료는 소개하지 않았습니다.