Ripple 65B Preview vs Kimi K3.1 Pro: 두 개의 오픈 웨이트 릴리스, 공유된 벤치마크는 제로

2026년 11월 4일, 두 오픈 웨이트 모델이 몇 시간 간격으로 출시되었지만 제대로 비교한 사람은 거의 없었다. Ripple 65B Preview는 Ricursive Intelligence의 650억 매개변수 덴스 모델로, 12조 토큰으로 처음부터 사전학습되었으며 Apache 2.0으로 공개되었다. Kimi K3.1 Pro는 Moonshot AI의 1조 매개변수 희소 플래그십으로, API는 10월 23일 공개되었고 가중치(약 1.56TB)는 11월 4일 공개되었다. 하나는 책상 위에 올려놓을 수 있을 만큼 작고, 다른 하나는 데이터센터가 필요하다. 당연한 질문은 어느 쪽이 더 나은가인데, 솔직한 답은 공개된 어떤 수치로도 그 답을 낼 수 없다는 것이다. 두 연구소가 같은 버전에서 단 하나의 벤치마크도 실행하지 않았기 때문이다.

그것은 수사적 회피가 아니다. 그것은 이 페이지에서 가장 유용한 점이다. 이 둘 중 하나를 선택하고 있다면, 당신은 서로 다른 종류의 베팅 사이에서 선택하는 것이며, 벤치마크 표가 그 선택을 대신해 줄 수는 없다.

각 모델이 실제로 무엇인지

리플 65B 프리뷰는 희소 모델이 아니라 덴스 모델이다. 650억 개의 파라미터 전부가 모든 토큰에서 작동하며, 80개 층의 '얇고 깊은' 트랜스포머와 5,120 폭의 잔차 스트림을 갖는다. 리커시브는 이 설계를 올모 3 아키텍처에서 벗어나 젬마 3N과 유사한 방향으로의 전환이라고 설명한다. 즉 과잉 제공된 어텐션 헤드, 더 높은 슬라이딩 윈도 대 전역 어텐션 비율, 게이트 어텐션, 전역 NoPE, 값 잔차, FFN 활성화 클리핑이다. 학습은 텍스트 전용, 대부분 영어와 코드로 구성된 코퍼스에서 8K 시퀀스 길이로 877,500 스텝 진행되었고, 이어서 중간 학습, 장문맥 단계, 에이전트형 코딩에 초점을 둔 가벼운 RL이 수행되었다. 리커시브는 컴퓨트 비용을 3,200만 달러로 추산한다.

Kimi K3.1 Pro는 정반대 형태다. 이 모델은 조 단위 매개변수급 Mixture-of-Experts 모델로 — 제3자 추적기들은 전체 약 2.8T, 토큰당 활성 매개변수 약 104B로 추정한다 — Moonshot의 릴리스 노트는 이를 수백 개 도메인에 걸쳐 훨씬 더 큰 RL 예산을 배분한, 후속 학습된 K3라고 설명한다. 회사 자체 출시 자료는 이를 K3의 후속 학습 버전이라고 부르지만, 모델 카드는 더 구체적인 이야기를 전한다: 백본은 24개의 Gated MLA 레이어에서 24개의 Gated DSA 레이어로 바뀌었다. 텍스트, 이미지, 비디오 입력과 구성 가능한 추론 강도, 1,048,576토큰 컨텍스트 창을 갖추고 출시된다.

• 파라미터 — 65B dense(모두 활성) vs 약 2.8T 총계 / 약 104B 활성, 제3자 추적 기관 기준

• 컨텍스트 — 광고된 1M 토큰 대 1,048,576 토큰, 광고 및 제공됨

• 라이선스 — Apache 2.0 대 명칭이 변경된 Kimi K3 라이선스, MaaS 기준 2,000만 달러/12개월

• 디스크상의 가중치 — 단일 리포지토리 BF16 체크포인트에 NVFP4 및 기본 변형을 더한 구성 대비, 96개의 MXFP4 샤드에 걸쳐 약 1.56 TB

• 모달리티 — 텍스트 입력, 텍스트 출력 vs 텍스트, 이미지 및 비디오 입력, 텍스트 출력

• 가격 — 제3자 목록에서는 백만 입력/출력 토큰당 $0.20 / $0.60인 반면, 자체 카탈로그에 적용되는 요금은 $2.00 / $10.00입니다

압승처럼 보이는 숫자는 압승이 아니다

Ripple의 카드에는 Terminal-Bench 2.1에서 80.5가 보고돼 있다. Kimi의 출시 자료에는 Terminal-Bench 4.0에서 65.7이 보고돼 있다. 둘을 나란히 놓으면 Ripple이 크기의 몇 분의 일에 불과한데도 거의 15점 차이로 이기는 것처럼 보인다. 그 비교는 무의미하며, 두 출시 스레드의 답글에서 끊임없이 이뤄지고 있다.

Terminal-Bench 4.0은 2.1보다 나중에 나온, 더 어려운 하네스 개정판이다. 2.1 과제 세트에서 80점을 받은 모델이 4.0에서 65.7점을 받은 모델과 15점 이내에 있다는 것은 입증된 바 없다. 입증된 것은 그 모델이 다른 시험을 치렀다는 것뿐이다. 같은 함정이 떠도는 다른 비교들도 삼킨다. Ripple의 SWE-bench Pro v2.0 Hard 79.1, DeepSWE 1.1 44.3, SWE-bench Verified 76.5를 Kimi의 SWE Marathon v1.1 51.7, Kimi Code Bench 3.0 Long-horizon 61.2와 비교하는 식이다. 그것은 여섯 개의 벤치마크이며, 그중 공유된 것은 하나도 없다.

단 하나의 연구실이 단 하나의 벤치마크를 측정하더라도 하네스에 따라 자기 모순이 생긴다. Kimi K3.1 Pro의 Terminal-Bench 4.0 수치는 Moonshot에서는 65.7, Vals AI에서는 63.6, Artificial Analysis에서는 67로 나타난다 — 동일한 모델과 동일한 벤치마크 버전에서 순전히 도구 때문에 3.4포인트 차이다. 한 모델에 대한 한 벤치마크의 세 번의 실행이 그렇게 많이 달라진다면, 두 모델 간의 버전 간 비교는 측정이 아니다. 그것은 장식이다.

Ricursive는 자사 카드에서 이를 그대로 밝히되, 출시 스레드에서보다는 조용히 언급한다. 카드에는 "벤치마크 점수를 재현하는 것이 쉽지 않았다"고 적혀 있고, 점수는 BF16에서 최대한의 노력으로 측정되었다고 한다. 80.5를 슬라이드에 넣기 전에 그 문장을 두 번 읽어 보라.

실제로 비교할 수 있는 축

두 가지는 벤치마크 점수가 아니기 때문에 직접 비교가 가능합니다. 바로 모델의 비용과 실행에 드는 비용입니다.

가격을 보면 격차는 대략 10대 1입니다. Kimi K3.1 Pro는 저희 카탈로그 기준 100만 입력 토큰당 $2.00, 100만 출력 토큰당 $10.00이며, 이는 Moonshot의 정가를 마크업 없이 그대로 반영한 것입니다. Ripple 65B Preview는 첫 번째 호스팅 엔드포인트에서 $0.20 및 $0.60으로 표시되는데, 이는 잠정치로 취급할 만한 수치입니다. Ricursive가 자체 요금표를 아직 공개하지 않았기 때문입니다. 같은 엔드포인트는 광고된 1M 윈도 대비 16,384토큰 컨텍스트를 제공하며, 최소 한 트래커는 이 모델을 독점 모델로 표기하지만 그 가중치는 Apache 2.0 아래 Hugging Face에 공개되어 있습니다. 트래커들이 라이선스에 대해 그렇게 틀렸다면, 그들의 가격 책정도 같은 회의적 시각으로 볼 자격이 있습니다.

더 큰 비용 차이는 토큰당이 아니라 답변당입니다. Kimi K3.1 Pro는 추론 모델로, Artificial Analysis 인덱스 작업 하나당 약 55,000개의 출력 토큰을 생성합니다. 출력 100만 토큰당 $10 기준으로 이는 인덱스가 작업당 산정하는 $1.98의 대부분을 차지합니다. Ripple의 수치는 가벼운 후처리 학습을 거쳤고 구성 가능한 추론 사다리가 없는 모델에서 나온 것이므로 훨씬 적게 출력할 것입니다. 하지만 누군가 동일한 작업 세트를 두 모델 모두에 실행하기 전까지 작업당 수치는 추정치일 뿐 사실이 아닙니다. 소형 모델이 보통 이기는 지점은 토큰당 달러가 아니라 답변당 토큰이며, 출시 스레드의 비교가 결코 다루지 않는 지점이기도 합니다.

배포는 이 둘이 완전히 갈라지는 지점입니다

Kimi K3.1 Pro의 다운로드 용량은 MXFP4 기준 96개의 safetensors 샤드에 걸쳐 약 1.56TB이며, QAT가 해당 폭에서 품질을 유지합니다. 이를 워크스테이션에서 실행하는 것은 아닙니다. 현실적인 선택지는 호스팅 엔드포인트 또는 멀티노드 클러스터이며, 라이선스에는 규모 확장 시 중요한 상업적 기준이 추가됩니다: $20M/12개월 MaaS 트리거, 그리고 월간 사용자 1억 명 또는 월간 매출 $20M에 대한 명칭 조항입니다.

Ripple 65B Preview는 그 스펙트럼의 반대편 끝을 위해 만들어졌습니다. BF16 기준으로 체크포인트는 약 130GB이며, 그래서 출시 기사에 나오는 “MacBook에서 실행된다”는 문구는 그 표현이 인정하는 것보다 더 많은 걸 암시하고 있습니다. 130GB는 양자화 없이는 노트북의 통합 메모리에 들어가지 않습니다. Ricursive의 카드가 실제로 내세우는 것은 NVIDIA DGX Spark이며, 커스텀 커널 적용 전 기준 배치 크기 8에서 B200 두 장으로 초당 250토큰입니다. 이 저장소는 NVFP4 변형도 제공하는데, 소형 머신 배포를 그럴듯하게 만드는 것은 바로 이 버전입니다.

그래서 배포에 관한 질문은 벤치마크보다 먼저 스스로 답이 나온다. DGX Spark가 있고 GPU 예산이 없다면, Ripple은 직접 소유할 수 있는 모델이다. 여분의 랙도 없고 1.56 TB를 내려받을 의욕도 없다면, Kimi는 빌려 쓰는 모델이다.

둘 중 하나를 호출

두 제품이 더 이상 대칭을 이루지 않는 지점이 바로 여기입니다. Kimi K3.1 Pro는 오늘 OrcaRouter에서 정가로 제공됩니다 — 입력 $2.00, 출력 $10.00, 마크업 0%이므로 Moonshot이 가격을 인하하면 그 변경이 다음 청구 주기가 아니라 같은 날 바로 귀하의 키에 반영됩니다. 키 하나로 해당 모델과 카탈로그의 나머지 모델을 함께 이용할 수 있으며, 이는 Kimi를 더 저렴한 기본 모델 뒤의 고비용 에스컬레이션 계층으로 운영하는 경우 중요합니다.

Ripple 65B Preview는 저희 카탈로그에 없으며, 그렇지 않은 척하지 않겠습니다. 이 모델은 Ricursive 자체 엔드포인트와 타사 플랫폼을 통해 API에 접근할 수 있으며, 원하신다면 가중치는 Hugging Face에 있습니다. 자체 점수가 재현하기 어렵다고 인정하는 모델 카드가 포함된 완전히 새로운 Preview 릴리스는 모델을 프로덕션 경로에 직접 연결하기보다 라우터 뒤에 두고 싶은 바로 그런 경우입니다 — 하지만 이는 벤더가 모델을 타사 라우팅에 개방해야만 도움이 됩니다.

어느 걸 고를까?

작업이 장기적이고 개방형이라면 Kimi K3.1 Pro를 선택하세요. 대규모 저장소 전반의 큰 리팩터링, 200K 토큰 이상의 문서 분석, 이미지 입력으로 별도 OCR 단계를 절약할 수 있는 작업, 또는 모델이 수백 번의 도구 호출에 걸쳐 계획을 유지해야 하는 작업이 여기에 해당합니다. 프론티어에 근접한 가격을 지불하고 있으니 프론티어에 근접한 동작을 기대해야 합니다. 하네스 간 3.4포인트 차이는 노이즈이며, 1M 컨텍스트와 멀티모달 입력은 그렇지 않습니다.

작업 범위가 정해져 있고 토큰당 비용 지불을 멈추고 싶다면 Ripple 65B Preview를 선택하세요. 고정된 작업 집합을 수행하는 코딩 에이전트, 이미 보유한 하드웨어에서 실행하는 로컬 어시스턴트, 파인튜닝 대상이라면 Apache 2.0과 65B 덴스 체크포인트가 1.56 TB MoE보다 훨씬 더 친화적인 출발점입니다. 80.5는 모델을 만든 연구소가, 다른 누구도 아직 발표하지 않은 벤치마크 개정판에서 제시한 주장으로 취급하고, 프로덕션 결정에 조금이라도 가까워지기 전에 자체 작업에서 검증하세요.

그리고 이 문제를 실제로 결판낼 만한 비교는 아직 존재하지 않습니다. 아무도 Ripple 65B Preview와 Kimi K3.1 Pro를 같은 버전의 같은 하네스에서 실행해 본 적이 없습니다. 누군가 그렇게 하기 전까지 유일하게 정직한 순위는 형태에 따른 것입니다. 소유할 수 있는 작은 모델 대 빌려 쓸 수 있는 큰 모델, 약 10대 1의 가격 비율, 그리고 승부를 가를 공통된 시험은 없습니다.