구글 출신 연구진이 세운 Ricursive Intelligence가 650억개 매개변수를 가진 오픈웨이트 모델 Ripple-65B Preview를 공개했습니다. 회사는 11월 4일 모델을 처음부터 학습했다고 밝혔습니다. 터미널에서 코딩 작업을 수행하는 평가와 실제 소프트웨어 문제 해결 평가에서 더 큰 미국 오픈웨이트 모델들을 앞섰다고 발표했습니다.
두 평가에서 Ripple-65B는 Terminal-Bench 2.1 80.52점, SWE-bench Pro v2.0 Hard 79.1점을 받았습니다. Terminal-Bench 2.1에서는 Reflection의 Beam 501B가 80.1점, Meta의 Muse Spark Open 816B가 76.4점이었습니다. SWE-bench Pro v2.0 Hard에서는 Beam이 76.5점, Muse Spark Open이 72.4점으로 뒤를 이었습니다. Ripple의 매개변수 수는 Beam의 약 8분의 1, Muse Spark Open의 약 13분의 1입니다.
평가에 따라 성적은 달랐다
Ripple-65B가 모든 코딩 평가에서 앞선 것은 아닙니다. DeepSWE 1.1에서는 44.3점을 기록해 Muse Spark Open의 60.0점에 못 미쳤습니다. 회사가 제시한 비교는 경쟁사의 공개 점수와 Ricursive 자체 측정 결과를 모은 것입니다. AI Times는 평가 도구와 실행 조건에 따라 점수가 달라질 수 있다고 전했습니다. 따라서 이번 결과만으로 오픈웨이트 모델 전체에서 Ripple이 더 뛰어나다고 결론 내리기는 어렵습니다.
Ricursive는 AlphaChip 등 구글의 AI 반도체 설계 기술 개발에 참여한 애나 골디 CEO와 아잘리아 미르호세이니 CTO가 세운 회사입니다. 회사는 자체 반도체 설계 플랫폼에 쓰던 언어 모델 기술을 범용 모델로 확장했다고 설명했습니다. Ripple-65B는 12조개 토큰으로 사전 학습했고, 최대 100만 토큰의 입력을 처리하도록 설계됐습니다. 다만 실제로 이용할 수 있는 입력 길이는 서비스 제공 업체에 따라 달라질 수 있습니다.
가중치와 사용 조건은 공개됐다
회사는 데이터 준비부터 최종 학습까지 개발에 3,200만달러를 썼다고 밝혔습니다. 이는 이전 미국 오픈웨이트 코딩 선두 모델 개발비의 약 10분의 1이라는 자체 추정입니다. 강화학습에 사용한 140만회의 작업 수행 과정도 Beam보다 약 70배 적다고 했습니다. 그러나 작업 횟수가 적다는 사실만으로 연산 비용이 같은 비율로 낮다고 볼 수는 없습니다. Beam 같은 일부 경쟁 모델은 전체 매개변수 중 일부만 사용하는 구조여서, 매개변수 수만으로 실제 실행 비용을 비교하기도 어렵습니다.
모델 가중치는 Hugging Face에서 내려받을 수 있고, Together AI와 GMI Cloud, OpenRouter를 통해서도 이용할 수 있습니다. Apache 2.0 라이선스는 상업적 이용과 수정, 재배포를 허용합니다. Ricursive는 메모리 사용량을 줄인 버전을 내놨으며 DGX Spark에서도 실행할 수 있도록 설계했다고 밝혔습니다. 다만 서비스별 처리 속도와 비용은 다를 수 있습니다.
왜 중요한가
코딩 AI를 시험하는 개발자는 모델 크기만 보고 성능을 짐작하기보다, 자신의 작업과 비슷한 평가 결과를 살펴볼 수 있습니다. Ripple-65B는 일부 평가에서 큰 모델을 앞섰지만 다른 평가에서는 뒤졌고, 실제 이용 비용과 속도는 제공 업체에 따라 달라집니다.
