Ripple-65B Preview의 개요
Ripple-65B Preview는 Ricursive Intelligence가 처음 공개한 모델입니다. 이 회사는 AlphaChip을 만든 전 Google 연구자 Anna Goldie와 Azalia Mirhoseini가 세운 Palo Alto의 칩 설계 연구소입니다. Flint를 만드는 Richard Socher의 런던 연구소 Recursive와는 관계가 없습니다. 2026년 11월 4일 Apache 2.0으로 공개된 밀집형 Transformer로, 파라미터는 648억 개(64.8 billion)입니다. 주로 영어 텍스트와 코드로 이루어진 12조(12 trillion) 토큰으로 처음부터 사전 학습했으며, 컨텍스트는 최대 1M 토큰이라고 밝힙니다. Ricursive는 이 모델을 자사 칩 설계 플랫폼을 움직이는 독점 모델의 범용 버전이라고 설명합니다.
구조는 얇고 깊습니다. 폭 5,120의 모델에 80개 층, 80개의 어텐션 헤드를 두고, 풀 어텐션 층 하나마다 슬라이딩 윈도 층(윈도 1,024 토큰) 네 개를 배치합니다. 사후 학습은 일부러 가볍게 했고 에이전트형 코딩에 맞췄습니다. Ricursive에 따르면 스케일링 실험부터 최종 학습까지 프로젝트 전체 비용은 3,200만 달러($32 million)였고, 1~5명의 팀이 학습시켰습니다.
Hugging Face에는 네 가지 체크포인트가 있습니다. BF16 instruct 모델, 실험 단계의 NVFP4 빌드, BF16 베이스 모델, 추측 디코딩용 DFlash2 드래프트 모델입니다. OpenRouter에서는 GMICloud가 BF16으로 제공하며, 입력 100만 토큰당 $0.20, 출력 100만 토큰당 $0.60입니다.
Ripple-65B Preview, 쓸 만한 가치가 있습니까?
Ripple-65B Preview의 주장은 이 크기로서는 이례적입니다. Ricursive 자체 표에서 Terminal-Bench 2.1 점수는 80.5로, Reflection Beam(501B, 80.1), Muse Spark Open(816B, 76.4), Inkling(975B, 63.8), Nemotron 3 Ultra(550B, 56.4)를 앞섭니다. 공식 Terminus 2 하네스로 다시 돌리면 Ripple은 80.5를 유지하고 Beam은 70.8로 떨어지며, SWE-bench Pro v2.0 Hard에서는 Beam의 76.5에 비해 79.1을 기록합니다. 2026년 11월 5일 기준으로 이를 재현한 독립 연구소는 없었고, Artificial Analysis에도 항목이 없었습니다.
표 전체를 읽으면 격차는 좁아집니다. Ripple이 1위인 것은 instruct 모델 22개 행 가운데 3개뿐이며, 모두 에이전트형 코딩입니다. SWE-bench Verified(76.5 대 81.6), SWE-bench Pro v1.0(61.42 대 66.1), MCP Atlas(71.67 대 80.8)에서는 Beam에, DeepSWE 1.1(44.3 대 60.0)에서는 Muse Spark Open에 뒤집니다. 경쟁 모델 점수 다수는 Ricursive가 내부에서 측정한 기울임꼴 수치이며, SWE-bench Pro v2.0 Hard에서 Inkling의 2.0도 그중 하나입니다. 이 수치는 약한 모델이라기보다 고장 난 하네스의 결과처럼 보입니다. 모델 카드 스스로도 이 비교를 최선의 시도라고 부르며 에이전트 점수는 재현하기 어렵다고 적고 있습니다.
베이스 모델을 보면 가벼운 사후 학습의 출발점을 알 수 있습니다. Ricursive 자체 측정으로 MMLU 83.7, HumanEval 70.9로 Nemotron 3 Ultra의 89.1과 83.8보다 낮고, SimpleQA-Verified는 10.1이라 사실 지식은 많지 않습니다. Ricursive는 Nemotron의 우위를 합성 데이터 덕분이라고 보지만, 실무적으로는 Ripple의 강점이 일반 지식이 아니라 코딩 루프에 있다고 읽어야 합니다.
진짜 절충점은 밀집형이라는 점입니다. Beam이 230억 개(23 billion)를 활성화하는 반면, 모든 토큰이 648억 개(64.8 billion) 파라미터 전체를 거칩니다. 그래서 BF16 가중치는 약 130 GB이고, Ricursive의 서버 구성에는 B200 두 장이 필요하며, 배치 크기 8에서 초당 250 토큰이라고 밝힙니다. 실험 단계의 NVFP4 빌드는 57.2 GB로 128 GB DGX Spark를 겨냥하지만, 그 스크립트는 컨텍스트를 131,072 토큰으로 고정해 광고된 1M의 8분의 1에 그칩니다. 데이터센터 GPU 두 장을 감당할 수 있고 Apache 2.0 조건을 원하는 팀에게 Ripple은 이 점수대에서 가장 작은 모델입니다. 워크스테이션 카드 한 장에는 아예 들어가지 않습니다.
제 역할을 하는 곳
B200 두 장을 보유한 300명 규모 소프트웨어 회사의 플랫폼 엔지니어
소스 코드가 네트워크 밖으로 나가지 않도록 코딩 에이전트 모델을 사내에서 제공하기
B200 두 장에서 SGLang 0.5.19로 Ricursive의 serve.py를 실행하고 에이전트 하네스를 로컬 엔드포인트로 연결합니다. README는 레플리카당 동시 요청 8개를 권하며, GPU 한 쌍을 더하면 두 번째 레플리카가 됩니다. Apache 2.0이므로 모델 라이선스 비용은 없습니다.
개발자 25명 팀의 코딩 에이전트용 호스팅 모델을 비교하는 엔지니어링 매니저
긴 터미널 세션의 토큰당 지출 줄이기
OpenRouter에서 입력 100만 토큰당 $0.20, 출력 100만 토큰당 $0.60이므로 월 입력 1억 토큰과 출력 1,000만 토큰이면 약 $26입니다. 먼저 팀의 실제 티켓으로 시험해 보십 시오. 대표 점수는 자체 보고이고, 등록된 호스트는 GMICloud 하나뿐입니다.
사후 학습을 연구하는 대학 연구실의 ML 연구자
허용적인 라이선스의 강력한 베이스 모델에서 강화 학습 실험 시작하기
BF16 베이스 체크포인트는 사전 학습만 거쳤고 midtraining이나 합성 질의응답 데이터가 없으며, Apache 2.0으로 배포되므로 결과 발표와 가중치 재배포가 가능합니다. Ricursive는 12조 토큰의 사전 학습부터 700단계의 RL까지 학습 단계를 모두 문서화했습니다.
도입 전 확인할 점
- 설정
- 서버에서는 BF16 가중치와 DFlash2 드래프트를 내려받은 뒤 Linux와 CUDA 13 환경의 B200 두 장에서 uv로 serve.py를 실행합니다. 포트 30000에서 대기하며 컨텍스트는 1,048,576 토큰입니다. 모델이 자체 modeling_ricursive.py를 쓰기 때문에 Transformers로 불러오려면 trust_remote_code가 필요합니다.
- 연동
- OpenAI 방식의 채팅으로, 추론은 reasoning_content에, 구조화된 tool_calls는 SGLang의 Ricursive ripple 파서를 통해 반환됩니다. OpenRouter는 tools, tool_choice, response_format을 지원합니다. 사고 기능을 켜고 끄는 스위치나 추론 강도 설정은 없습니다.
- 데이터와 개인정보
- 네 체크포인트 모두 Apache 2.0이며, 라이선스 외에 매출 상한이나 사용 제한은 없습니다. 자체 호스팅하면 프롬프트는 자신의 하드웨어에 남습니다. 호스팅 버전은 GMICloud의 약관을 따르며, OpenRouter는 이 모델에 EU 역내 라우팅을 제공하지 않습니다.
- 대규모 사용 시 비용
- 648억 개(64.8 billion) 파라미터로 계산하면 BF16 가중치는 약 130 GB이므로 B200 두 장을 잡아야 합니다. OrcaRouter는 이 두 장을 월 약 $4,800로 추정합니다. NVFP4 파일은 합계 57.2 GB로 128 GB DGX Spark용입니다. 호스팅으로는 월 입력 10억 토큰과 출력 1억 토큰이 OpenRouter의 GMICloud 가격으로 약 $260입니다.
- 제한
- 사후 학습이 가벼운 프리뷰 버전이며 사실 기억이 약합니다(베이스 모델의 SimpleQA-Verified 10.1). DEV Community의 파일 분석에 따르면 DGX Spark 스크립트는 한 번에 요청 하나만 처리하고, 컨텍스트는 131,072 토큰이며 HTTP 서버가 없습니다. README는 strict가 아닌 도구 호출에서 불필요한 인자 필드가 붙을 수 있다고 경고합니다.
좋은 점
- Terminal-Bench 2.1에서 80.5, 최대 15배 큰 모델과 대등(자체 보고)
- 베이스 모델까지 Apache 2.0 가중치
- Ricursive의 B200 두 장 서버 구성에서 1M 토큰 컨텍스트
- 1M 토큰당 $0.20 / $0.60의 저렴한 호스팅
아쉬운 점
- 아직 독립적인 벤치마크 결과가 없음
- SWE-bench Verified, SWE-bench Pro v1.0, MCP Atlas에서 Reflection Beam에 뒤짐
- BF16에 약 130 GB 필요, DGX Spark 스크립트는 131,072 토큰에서 멈춤
- trust_remote_code와 Ricursive 자체 SGLang 파서가 필요
추천 대상
B200 두 장이나 DGX Spark를 갖추고, 직접 호스팅하고 파인튜닝할 수 있는 Apache 2.0 코딩 에이전트 모델을 원하는 플랫폼 팀.
Ripple-65B Preview 대안
Ripple-65B Preview: 자주 묻는 질문
- Ripple-65B Preview, 쓸 만한 가치가 있습니까?
- Ripple-65B는 65B 밀집형 모델도 에이전트형 코딩에서 8~15배 큰 미국 오픈 모델과 겨룰 수 있다는 설득력 있는 근거를 보여 주지만, 지금까지의 점수는 모두 Ricursive 자체 결과입니다. 평점은 5점 만점에 3.9점입니다.
- Ripple-65B Preview의 가격은 얼마입니까?
- Apache 2.0의 무료 오픈 웨이트. OpenRouter(GMICloud) 호스팅은 입력 1M 토큰당 $0.20, 출력 1M 토큰당 $0.60.
- Ripple-65B Preview의 단점은 무엇입니까?
- 아직 독립적인 벤치마크 결과가 없음; SWE-bench Verified, SWE-bench Pro v1.0, MCP Atlas에서 Reflection Beam에 뒤짐; BF16에 약 130 GB 필요, DGX Spark 스크립트는 131,072 토큰에서 멈춤; trust_remote_code와 Ricursive 자체 SGLang 파서가 필요.
- Ripple-65B Preview에 적합한 사람은 누구입 니까?
- B200 두 장이나 DGX Spark를 갖추고, 직접 호스팅하고 파인튜닝할 수 있는 Apache 2.0 코딩 에이전트 모델을 원하는 플랫폼 팀.
- 팀이나 프로덕션 환경에서 Ripple-65B Preview의 비용은 얼마입니까?
- 648억 개(64.8 billion) 파라미터로 계산하면 BF16 가중치는 약 130 GB이므로 B200 두 장을 잡아야 합니다. OrcaRouter는 이 두 장을 월 약 $4,800로 추정합니다. NVFP4 파일은 합계 57.2 GB로 128 GB DGX Spark용입니다. 호스팅으로는 월 입력 10억 토큰과 출력 1억 토큰이 OpenRouter의 GMICloud 가격으로 약 $260입니다.
- Ripple-65B Preview에 회사 데이터를 맡겨도 안전합니까?
- 네 체크포인트 모두 Apache 2.0이며, 라이선스 외에 매출 상한이나 사용 제한은 없습니다. 자체 호스팅하면 프롬프트는 자신의 하드웨어에 남습니다. 호스팅 버전은 GMICloud의 약관을 따르며, OpenRouter는 이 모델에 EU 역내 라우팅을 제공하지 않습니다.
- Ripple-65B Preview의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Beam, Muse Spark Open, Flint 및 DeepSeek-V4.1-Flash입니다.
답변 확인일: 2026년 11월 5일.