Ripple-65B, 에이전틱 코딩 미국 오픈웨이트 SOTA 달성
원제: Ripple-65B Preview: U.S. Open-Weight SOTA on Agentic Coding
왜 중요한가
고비용·대규모 파라미터 경쟁이 주류인 LLM 시장에서, 65B 소형 밀집 모델이 500B급 대형 모델을 에이전틱 코딩에서 압도한 사례로 효율 중심 개발 방향의 가능성을 보여준다.
Ricursive Intelligence가 2025년 자체 개발한 오픈웨이트 언어 모델 Ripple-65B Preview를 공개했다. TerminalBench 2.1에서 80.52점을 기록하며 미국 오픈웨이트 모델 최고 성능을 달성했고, 훈련 총비용은 3,200만 달러로 직전 SOTA 대비 10분의 1 수준이다.
Ricursive Intelligence는 하드웨어·소프트웨어·모델을 함께 최적화하는 풀스택 AI 연구소다. 이번에 공개한 Ripple-65B Preview는 자사 AI 칩 설계 플랫폼을 구동하는 독점 모델의 범용 버전으로, 12조 토큰으로 사전 훈련됐으며 최대 100만 토큰 컨텍스트를 지원한다.
TerminalBench 2.1 기준 80.52점으로 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) 등 훨씬 큰 모델들을 모두 앞질렀다. 65B 파라미터의 밀집형(dense) Transformer 구조를 선택했으며, Mixture-of-Experts(MoE) 방식을 쓰지 않고도 사전·사후 훈련 전반에서 MFU 40%를 유지했다.
총 R&D 비용은 3,200만 달러로, 사전 훈련 사다리 개발·데이터 혼합·평가·합성 데이터 생성·사후 훈련 레시피 개발 전 과정을 포함한 수치다. 외부 사후 훈련 데이터를 구매하지 않고 자체 합성 데이터 파이프라인을 구축했으며, 중요도 샘플링 절단(truncated importance sampling), 점수 중앙화(score centering), 선형 길이 패널티를 혼합한 RL 레시피를 적용했다. 그 결과 TerminalBench 2.1 80.5점에 도달하는 데 사용된 롤아웃은 140만 회로, 직전 SOTA인 Reflection Beam의 약 70분의 1에 그쳤다.
모델은 현재 Hugging Face, Together AI, GMI Cloud, OpenRouter에서 이용 가능하며 Fireworks 지원도 곧 추가될 예정이다. NVIDIA DGX Spark 같은 로컬 디바이스에서도 효율적으로 구동된다고 회사 측은 밝혔다.