65B 밀집 모델이 500B급을 앞질렀다…Ricursive, 'Ripple-65B' 3200만 달러에 공개

Ricursive Intelligence가 11월 4일 Ripple-65B Preview를 공개했다. 가중치는 허깅페이스에 Apache 2.0 라이선스로 올라와 있다. 터미널 안에서 에이전트를 돌리는 시험인 Terminal-Bench 2.1에서 80.52를 기록했다고 밝혔다. 회사가 내놓은 비교표에서는 Reflection의 Beam 501B(80.1), Meta의 Muse Spark Open 816B(76.4), Thinking Machines의 975B 'Inkling'(63.8), NVIDIA의 Nemotron 3 Ultra 550B(56.4)를 앞선다.
500B가 넘는 모델이 늘어선 표의 꼭대기에 65B가 올라갔다는 것이 헤드라인이다. 그 아래 줄이 더 흥미롭다. Ricursive는 개발 처음부터 끝까지 3200만 달러가 들었고, 이전 기록 보유자가 쓴 비용의 10분의 1 수준이라고 설명한다.
일부러 밀집하게 만들었다
Ripple은 64.8B 파라미터의 밀집 트랜스포머다. 모든 파라미터가 모든 토큰에서 계산된다. 확장의 기본 답이 토큰마다 일부 가중치만 활성화하는 MoE였던 이번 해에 흔치 않은 선택이고, 이 하나의 결정이 나머지 이야기를 가능하게 한다.
밀집 모델은 인프라에 요구하는 것이 적다. 맞춰야 할 라우터가 없고, 쪼갤 전문가 병렬도 없고, 조정할 all-to-all 통신 패턴도 없다. Ricursive는 자체 커널 없이 하드웨어 사용률 40%로 학습했고, 백지에서 시작하지 않고 Olmo 3를 베이스라인으로 삼았다고 말한다. 구조는 얇고 깊다. 폭 5120에 80개 층이고, 어텐션 헤드를 넉넉히 두고 게이트 어텐션과 value residual을 더해 추론 성능을 돕는다.
회사의 설명은 모델과 학습 레시피를 하드웨어에 맞춰 조정해 GPU 16배로 학습한 것과 맞먹는 효율을 얻었다는 것이다. Ricursive는 칩 설계 도구를 만드는 회사다. 그런 회사가 내놓는 공동 설계 주장에는 눈썹이 올라간다. 측정 가능한 부분은 사용률 수치와 자체 커널을 쓰지 않았다는 점이고, 둘 다 학습 레시피와 대조해 확인할 수 있다.
컨텍스트 창은 1,048,576 토큰이고, 사전학습에는 대부분 영어 텍스트와 코드 12조 토큰이 들어갔다. 배포본에는 BF16 인스트럭션 튜닝 체크포인트, NVFP4 4비트 체크포인트, 베이스 모델이 포함된다.
3200만 달러가 덮는 범위
출시 글은 분명하다. 3200만 달러에는 사전학습 실험, 데이터, 평가, 디버깅, 최종 실행 비용이 모두 들어간다. 사람들이 논쟁해야 할 숫자는 이것이다. 프로그램 전체 비용과 마지막 학습 작업의 비용은 늘 뒤섞인다.
Ricursive에 따르면 팀은 개발 중에 한 명에서 다섯 명으로 늘었다. 사후학습용 데이터는 사지 않았고 합성 파이프라인을 직접 만들었다. Terminal-Bench 점수에 도달하기까지 140만 회의 롤아웃을 돌렸는데, Reflection의 Beam이 필요로 한 횟수의 약 70분의 1이다. 롤아웃이 적다는 절약은 청구서와 달력에 나타난다.
숫자가 맞다면 자본을 해자로 삼는 전략에는 불편한 함의가 있다. 다섯 명의 팀, 자체 커널 없음, 밀집 모델 하나, 10분의 1의 예산으로 벤치마크 하나의 기록을 세웠다. 반론은 단일 벤치마크는 좁은 과녁이고, 같은 팀이 전방위에서 경쟁하려면 3200만 달러로는 턱없이 부족하다는 것이다.
그래서 표의 나머지를 본다.
Ripple이 지는 지점
모델 카드는 솔직하고, 신뢰가 생기는 지점이 여기다. SWE-bench Verified는 76.5로 Reflection Beam의 81.6에 뒤진다. SciCode는 39.4로 Muse Spark Open의 58.5다. 도구 사용을 재는 MCP Atlas는 71.67 대 89.2. DeepSWE 1.1은 44.3 대 60.0이다.
정리하면 터미널 조작에는 매우 강하고, 과학 코드와 도구 조율에서는 가장 큰 오픈 경쟁자들에게 못 미치는 모델이다. MMLU는 89.6, AIME 2024는 97.1로 둘 다 최대 모델에 살짝 미치지 못한다. 816B에 맞선 65B라면 예상되는 결과다.
카드는 대부분의 카드가 건너뛰는 사실도 인정한다. 에이전트형 벤치마크 점수를 재현하는 것은 어렵고, 표의 일부 칸은 상대 연구소가 수치를 공개하지 않아 Ricursive 자체 실행 결과를 썼다. 또 공식 Terminus 2 하네스를 128K 시퀀스 길이로 돌리면 거의 모든 모델에서 Terminal-Bench 점수가 더 낮게 나왔다고 적는다. 이 문장은 두 번 읽어야 한다. 비교표가 내부적으로는 일관되지만 그대로 옮겨 쓸 수 있는 표는 아니라는 뜻이다.
기록은 일주일 정도만 갔을 수도 있다. Thinking Machines는 11월 5일 Inkling 2 Small을 공개했고, 모델 카드는 같은 Terminus 하네스에서 Terminal-Bench 2.1이 81.3%라고 전해진다. 출시 시점에 가중치는 비공개였으므로 오픈 웨이트 기록은 아니고, 외부 안전성 시험을 마친 뒤 Apache 2.0 가중치를 내놓겠다고 밝혔다.
'로컬에서 돌아간다'는 주장 뜯어보기
Ricursive는 Ripple이 NVIDIA DGX Spark에 들어가고 MacBook에서도 돌아간다고 말한다. 두 글 모두 메모리가 얼마나 필요한지는 쓰지 않았고, 허깅페이스의 풀 정밀도 파일은 합쳐서 약 130GB라 노트북에는 도저히 들어가지 않는다.
로컬 사용을 그럴듯하게 만드는 것은 양자화 작업이다. 저장소에는 NVFP4 체크포인트와 Colab 노트북이 함께 있고, 허깅페이스 페이지에는 이미 약 30개의 양자화 버전이 올라와 있다. B200 두 장에 배치 크기 8로, 양자화나 커널 튜닝 없이 초당 250 토큰을 생성한다. 밀집 65B로는 합리적인 수치다.
로펌이나 병원에 매력적인 이유는 분명하다. 프롬프트와 코드가 네트워크를 벗어나지 않고, Apache 2.0이므로 Ricursive에 라이선스료를 내지 않고 상업적으로 쓸 수 있다. 단점은 이것이 코딩에 초점을 맞춰 가볍게 사후학습한 Preview이고, 저장소에 `modeling_ricursive.py`라는 자체 코드가 들어 있다는 점이다. 즉 trust_remote_code 방식으로 불러오게 된다. 플랫폼 팀이라면 중요한 환경에서 돌리기 전에 그 파일을 읽어야 한다.
칩 회사가 모델을 내놓는 이유
Ricursive의 본업은 칩 설계 도구이고, Ripple은 그 플랫폼을 떠받치는 모델의 범용판이다. 모델 아키텍처와 칩 아키텍처는 함께 설계해야 한다는 것이 회사의 주장이고, 오픈 모델을 내놓는 것은 그 주장을 공개적으로 증명하는 방법이다.
프런티어 연구소와 동기는 다르고, 기대할 것도 달라진다. Ricursive는 넓이로 이길 필요가 없다. 작고 잘 맞는 모델을 잘 맞는 하드웨어에서 돌리면 진지한 에이전트 작업이 된다는 것을 보여주면 된다. 데이터센터를 살 수 없는 고객에게 파는 것이 바로 그 제안이기 때문이다.
벤치마크 기록이 검증을 견디는지보다 레시피가 견디는지가 중요하다. 3200만 달러로 학습한 밀집 65B가 데스크톱 상자에서 돌아가고, 관대한 라이선스 아래 있다. 구체적이고 검증 가능한 제안이다. 이것이 성립하면 흥미로운 질문은 '누가 가장 큰 모델을 가졌나'에서 '누가 크기만이 유일한 축인 척 계속할 여유가 있나'로 바뀐다.
관련 글
Antigravity의 원격 에이전트, 클라우드 VM에서 도는 대신 잃는 것
Antigravity 2.29에서 원격 에이전트가 등장해 세션과 도구가 Google 관리 클라우드 VM에서 돌아간다. 노트북을 닫아도 작업은 계속되지만 로컬 MCP 서버와 skills는 잃는다.
NVIDIA, 월드 모델 'Cosmos 3' 파생 4종과 디코딩 프레임워크 'VFlash' 잇달아 공개
NVIDIA는 11월 5일 16B Cosmos 3 Nano를 전문화한 체크포인트 네 종을 OpenMDW1.1로 공개하고 학습 레시피와 추론 코드를 함께 내놨다. 다음 날에는 기하 출력을 병렬 생성하는 디코딩 프레임워크 VFlash를 발표했다.
GitHub 트렌드 4분의 1이 '에이전트 skills'…설치 방식은 네 갈래로 갈렸다
11월 8일 GitHub 데일리 트렌드 15건 가운데 4건이 에이전트 skills 저장소였다. 형식은 `SKILL.md`와 YAML 프런트매터로 단순하지만, 설치 경로는 네 제품에서 제각각이고 중복이 우선순위 문제를 만든다.
Thinking Machines 'Inkling 2 Small', 594B 희소 MoE로 86.3%…가중치는 여전히 '다음 주'
Thinking Machines는 11월 5일 총 594B, 토큰당 17B 활성의 희소 MoE 'Inkling 2 Small'을 발표했다. SWE-Bench Pro v2 Hard에서 86.3%를 기록했고 Apache 2.0 가중치는 출시 일주일 뒤로 예고됐다.