Ricursive Intelligence가 자사 AI 칩 설계 플랫폼에 쓰는 모델의 범용 버전, Ripple-65B Preview를 공개했다. 12조 토큰으로 사전학습했고 컨텍스트는 최대 100만 토큰까지 지원한다. 회사는 터미널 기반 에이전트 코딩 벤치마크인 TerminalBench 2.1에서 80.52점을 얻어 미국 오픈웨이트 모델 중 가장 높다고 주장한다.
- 벤치마크 비교: Reflection Beam 501B는 80.1점, Meta Muse Spark Open 816B는 76.4점이다. 파라미터가 훨씬 많은 모델들과 비슷하거나 높은 점수라는 게 핵심 주장이다.
- 개발비: 최종 학습 실행만이 아니라 규모 확장 실험, 데이터 혼합, 평가, 디버깅, 합성 데이터 생성, 후속학습 방법 개발까지 합쳐 3,200만 달러다. 회사는 기존 에이전트 코딩 오픈웨이트 최고 모델의 약 10분의 1이라고 추산한다.
- 후속학습: 데이터를 사 오지 않고 합성 데이터 파이프라인, 품질 필터, 커버리지 지표를 직접 만들었다. 지도 미세조정 뒤 강화학습을 140만 회 롤아웃 돌려 80.5점에 도달했고, 이는 Beam보다 약 70배 적은 횟수다.
- 모델 구조: MoE 대신 밀집 Transformer를 택했다. d_model 5120에 80개 층이며, 별도 커널이나 양자화 없이 단순한 샤딩만으로 MFU 40%를 유지했다고 한다. 4B 규모 실험에서는 Olmo 3의 확장 체계 대비 코드 지표 기준 최대 16배의 계산 효율 개선을 보고했다.
- 이용 경로: Hugging Face, Together AI, GMI Cloud, OpenRouter에서 쓸 수 있고, 규모가 작은 편이라 NVIDIA DGX Spark 같은 로컬 장비에서도 돌릴 수 있다고 한다.
실무에서 눈여겨볼 대목은 점수보다 학습 방식이다. 합성 환경을 만들고 모델 수준에 맞춰 과제 난도를 올리는 방식으로 롤아웃 수를 크게 줄였다는 설명은, 작은 팀이 특정 도메인용 에이전트 모델을 후속학습할 때 참고할 만하다. 써 보고 싶다면 OpenRouter 같은 호스팅 서비스로 우리 저장소의 실제 수정 과제를 몇 건 돌려 보는 것이 빠르다. 공개 벤치마크 점수가 곧 우리 코드베이스에서의 성능은 아니기 때문이다.
주의할 점도 있다. 모든 수치는 회사가 직접 발표한 것이고, 1위라는 범위는 미국 오픈웨이트 모델로 한정된다. 2위 Beam과의 차이는 0.42점에 불과하다. 커뮤니티 댓글에서도 비교 대상 선정과 중국 모델 미언급을 지적했고, 65B 밀집 모델은 개인용 하드웨어에서 느릴 것이라는 의견이 나왔다. 개발비 절감 비율도 회사의 추산이다. 이름에 Preview가 붙은 만큼 라이선스 조건과 이후 버전 변화까지 확인하고 도입을 판단하는 편이 안전하다.
원문: Ripple-65B Preview: 에이전트 코딩에서 미국 오픈웨이트 최고 성능 달성 (GeekNews)