← 전체 모델 소식

Ripple-65B Preview, Apache 2.0으로 65B 밀집 가중치 공개: TerminalBench 2.1 자체 보고 80.52

The Decoder가 2026년 11월 6일 보도한 바에 따르면, Ricursive가 Ripple-65B Preview를 출시했다. 650억 파라미터 밀집 모델로, 회사는 TerminalBench 2.1에서 80.52점을 받아 미국 오픈 모델 중 최고라고 주장하며, 가중치는 Apache 2.0으로 Hugging Face에 공개됐다. 일부 벤치마크는 Inkling 2 Small보다 낮다.

게시 수정
원문 보도의 표지 이미지 — Ripple-65B Preview, Apache 2.0으로 65B 밀집 가중치 공개: TerminalBench 2.1 자체 보고 80.52
원문 보도의 표지 이미지원문 보도 ↗

주요 변화

The Decoder가 2026년 11월 6일 보도한 바에 따르면, AI 칩 설계 회사 Ricursive Intelligence가 오픈 언어 모델 Ripple-65B Preview를 학습해 출시했으며, 12조 토큰으로 사전 학습을 마쳤다. 보도에 따르면 회사는 이 모델이 코딩 벤치마크 TerminalBench 2.1에서 80.52점을 기록했으며, 이는 해당 벤치마크에서 미국 오픈 모델의 최고 성적이라고 자체 보고했다. 이 점수는 일부는 Terminus 2, 일부는 OpenCode를 harness로 사용해 얻었다. 보도는 동시에 더 낮은 세 가지 자체 보고 성적도 제시했다. SWE-Bench Pro v2.0 Hard 79.1%, DeepSWE v1.1 44.3%, MCP Atlas 71.67%로, 모두 같은 시기 출시된 Inkling 2 Small의 86.3%, 72.1%, 85.4/85.0%보다 낮다. 이 모델은 650억 파라미터 밀집 Transformer로, 더 흔한 혼합 전문가(MoE) 방식을 택하지 않았으며 Nvidia 하드웨어에 맞춰 최적화했다고 한다. 회사에 따르면 전체 연구개발 및 학습 비용은 약 3200만 달러다. 가중치는 Apache 2.0 라이선스로 Hugging Face에서 제공된다. 보도는 제3자 재현을 언급하지 않았다.

개발자에게 미치는 영향

접속하거나 자체 호스팅하려는 개발자에게 이 모델의 사용 가능 여부를 가르는 것은 대개 80.52라는 숫자가 아니라 그것이 어떻게 측정됐는지다. 보도는 이 성적이 일부는 Terminus 2, 일부는 OpenCode를 harness로 사용해 얻어졌다고 명시했는데, 이는 벤더 보고 기준이다. 즉 점수는 모델과 특정 에이전트 프레임워크의 조합에 대응하며, 이를 자체 도구 호출 루프에 그대로 외삽하는 것은 보도 결론이 아니라 추론이다. 두 번째 차이는 아키텍처 노선에 있다. 보도는 이것이 650억 파라미터 밀집 모델이며 MoE를 쓰지 않았다고만 말하는데, 토큰마다 전체가 활성화된다고 이해하면 활성화량과 총 파라미터 수의 비율이 같은 규모의 MoE와 뚜렷이 다르다. BF16 기준 파라미터당 약 2바이트로 거칠게 추정하면 전체 가중치는 130GB 규모다. 이는 공개된 파라미터 수에 기반한 산술적 추론이며 출처 데이터가 아니다. 따라서 80GB급 단일 카드로는 BF16 전체 가중치를 담을 수 없고 보통 다중 카드나 양자화가 필요하다. 그러나 보도는 컨텍스트 길이, 양자화 버전, 최소 VRAM, 추론 프레임워크 지원 여부를 제시하지 않았는데, 이것들이야말로 자체 호스팅 비용의 주요 변수이며 파라미터 수만으로 도출할 수 없다. 세 번째는 라이선스 경계다. 보도는 가중치가 Apache 2.0으로 제공된다고만 말하며, 학습 코드와 학습 데이터, 부속 도구가 함께 공개되는지는 밝히지 않았다. '상업적 사용 가능'이라는 결론을 가중치에서 프로젝트 전체로 확대하는 것은 신중하지 못하다. 또한 보도가 제시한 비교 대상은 Inkling 2 Small 하나뿐이며, Ripple은 그중 세 항목에서 뒤진다. TerminalBench 2.1 한 가지 순위만으로 전체 능력을 판단하기에는 부족하다.

연동 및 평가 제안

다음은 조건부 분석과 제안이며 보도 사실이 아니다. 첫째, 'TerminalBench 2.1 점수가 Terminus 2와 OpenCode 두 harness로 얻어졌다'는 보도 변화에 대해, 선택지는 이를 우선 후보군에 넣어 그림자 대조를 하는 것인지, 아니면 현용 코딩 모델을 바로 교체하는 것인지다. 이 선택을 바꾸는 전제는 당신의 에이전트 프레임워크가 이 두 harness에 얼마나 가까운가이며, 차이가 클수록 점수는 전이되기 어렵다. 검증 가능한 기준은 자체 harness로 같은 내부 티켓 묶음에서 대조 실행을 하고 엔드투엔드 통과율, 평균 도구 호출 라운드 수, 실패 유형 분포를 기록하는 것이다. 통과율이 현용 모델보다 나쁘지 않고 라운드 수가 뚜렷이 늘지 않을 때만 교체를 고려할 이유가 있다. 둘째, '650억 파라미터 밀집, Nvidia 중심 최적화, 배포 파라미터 미제공'이라는 보도 사실 묶음에 대해, 선택지는 자체 하드웨어로 바로 배포하는 것인지, 아니면 외부 서비스로 효과를 검증한 뒤 구매를 결정하는 것인지다. 전제는 단일 머신에서 사용 가능한 VRAM과 목표 컨텍스트 길이다. 기준은 목표 컨텍스트 길이에서 첫 토큰 지연과 안정적 처리량을 측정하고, 같은 작업 묶음에서 양자화 전후 통과율을 대조해 하락 폭이 사전에 정한 임계값을 넘지 않아야 한다는 것이다. 그렇지 않으면 카드가 더 필요하거나, 긴 컨텍스트 상황에서의 저하 대비책을 준비해야 한다. 셋째, '가중치가 Apache 2.0으로 제공된다'는 보도 사실에 대해, 선택지는 배포 지향 파인튜닝에 즉시 투입하는 것인지, 아니면 먼저 라이선스와 실제 제공 내용을 확인하는 것인지다. 이 선택을 바꾸는 전제는 저장소에 실제로 포함된 파일과 모델 카드 조항이다. 기준은 라이선스 파일과 추가 사용 조건을 확인하고, 라이선스 메타데이터를 내부 모델 목록에 등록하며, 법무 확인 전에는 외부 배포용 파인튜닝에 투입하지 않는 것이다.

제한과 확인할 사항

보도의 벤치마크 점수와 약 3200만 달러 비용은 모두 회사 자체 보고이며, 보도는 제3자 재현 여부나 평가 구성 세부 사항을 제시하지 않았다. '미국 오픈 모델 최고'는 TerminalBench 2.1 단일 벤치마크에 대한 주장일 뿐이며, 보도가 이어서 제시한 세 항목의 열세와 모순되지는 않지만 전체 능력 결론으로 삼을 수는 없다. 본문의 약 130GB VRAM 추정은 650억 파라미터를 BF16 파라미터당 2바이트로 계산한 산술적 추론이며 출처 데이터가 아니다. 출처는 최소 VRAM, 컨텍스트 길이, 양자화 버전, 추론 프레임워크 지원을 제시하지 않았다. Ripple-65B Preview는 현재 KimiSeek 모델 카탈로그에 없으며, 출처는 Hugging Face의 가중치만 보고하고 호스팅 API는 언급하지 않았다. 따라서 API 가용성을 언급할 경우 그 기준은 KimiSeek이 아니라 벤더를 가리킨다. 이후 벤더나 제3자의 API가 등장하면 가용성과 과금은 제공자 페이지를 기준으로 해야 한다. Preview가 붙은 버전은 보통 계속 바뀌므로, 가중치가 지속적으로 유지될지, 학습 코드와 데이터가 공개될지는 모델 카드와 로컬 실측을 기준으로 삼아야 한다.

3분이면 첫 호출까지

가입 후 API 키를 만드세요. 호출 비용은 계정 잔액에서 차감됩니다. 첫 충전 30% 할인. ¥500 충전, 결제 ¥350, 잔액 ¥500 적립. ¥1000 충전, 결제 ¥850, 잔액 ¥1000 적립 최소 충전 금액은 그대로 ¥10이며, 시험용으로 사용할 수 있습니다.

출처와 편집 과정

Ripple-65B Preview 发布:完全 Apache 2.0 开源的美国模型,智能体编程成绩强劲

인용한 출처를 바탕으로 AI가 분석과 번역을 돕고 자동 품질 검사를 수행합니다. 제안은 실측 결과가 아닙니다. 제공 여부와 가격은 현재 카탈로그를 확인하세요.