Ripple-65B Preview vs Ripple-65B: 두 번째 이름 뒤에 모델이 없는 이유

를 검색하면Ripple-65B Preview 문서화된 모델을 찾을 수 있습니다: Ricursive Intelligence의 65B dense Apache 2.0 체크포인트로, 2026년 11월 4일에 생성되었으며, 모델 카드, 네 개의 저장소, 그리고 공급업체가 보고한 Terminal-Bench 2.1에서의 80.52점을 갖추고 있습니다. 다음 이름으로 검색해 보세요: Ripple-65B — 접미사가 잘린 같은 이름 — 그러면 그 모델을 서로 다른 파일명으로 거듭 찾을 수 있습니다. 별도의 최종 릴리스는 없습니다. Hugging Face 조직은 네 개의 공개 저장소 — Ripple-65B-Preview, Ripple-65B-Preview-NVFP4, Ripple-65B-Base-Preview, Ripple-65B-Preview-DFlash2 — 를 나열하며, 그중 어느 것도 "Preview"라는 단어를 빼지 않습니다.

그래서 이 비교 페이지는 특이한 페이지가 되며, 정직하게 쓰는 방법은 이를 맨 앞에서 밝히는 것입니다. Ripple-65B는 Ripple-65B Preview의 경쟁자가 아닙니다. 그것은 사람들이 검색하는 이름이고, 아직 일어나지 않은 출시를 위한 자리표시자이며 — 가장 유용하게는 — 그 검색들이 실제로 던지는 질문에 답할 기회입니다: 완성된 모델을 받는 것인지, 아니면 연구소가 포스트 트레이닝이 부족하다고 말한 스냅샷을 받는 것인지.

이 특정 카드에서 "Preview"가 의미하는 것

여기서 접미사는 장식이 아니며, Ricursive는 이 점을 유난히 명확히 밝힌다. 모델 카드는 이번 릴리스가 비교적 가볍게 포스트트레이닝되었다고 설명한다. 8K 시퀀스 길이로 12조 토큰 규모의 사전학습을 수행한 위에, 2,000억 중간학습 토큰, 1,830억 지도 미세조정 토큰, 135억 장문맥 SFT 토큰, 700회의 RL 스텝이 이루어졌다. 모든 것은 처음부터 학습되었으며, 회사의 설명은 포스트트레이닝 예산이 사전학습에 비해 의도적으로 작았다는 것이다.

거대한 베이스와 얇은 정렬의 조합이 바로 Terminal-Bench 2.1에서 80.52점을 기록하면서도 DeepSWE 1.1에서 44.3, SciCode에서 39.4에 머무는 체크포인트를 만들어낸다. 에이전트형 터미널 성능은 실제 역량이다. 소프트웨어 엔지니어링의 폭은 더 긴 포스트트레이닝 실행이 가장 먼저 손댈 부분으로 보인다. 이 해석대로라면 최종 Ripple-65B는 프리뷰가 가장 취약한 바로 그 축에서 더 나은 모델이 될 것이다.

Ricursive는 아직 하나를 확정하지 않았다. 로드맵도 없고, 출시 게시물에 "Q4 최종 릴리스" 같은 문구도 없으며, 날짜가 붙은 후속 저장소도 없다. ArtificialWatch가 이번 출시를 추적했을 때 "Preview 태그가 없는 GA는 아직 남아 있다"고 언급했다 — 이는 그 이후로 변하지 않은 상태를 정확히 요약한 것이다.

네 개의 저장소, 그리고 각각이 실제로 무엇을 위한 것인지

이름 지정 혼란은 나아지기 전에 더 심해집니다. 네 개의 저장소 중 두 개는 최종 모델처럼 들리지만, 둘 다 최종 모델이 아닙니다.

• Ripple-65B-Preview — 기본 instruct 체크포인트입니다. BF16, 64,782,689,360개 파라미터, 16개 샤드에 걸쳐 129.6 GB, Apache 2.0, 게이트 없음. 모든 벤치마크 수치가 가리키는 것이 바로 이것입니다.

• Ripple-65B-Preview-NVFP4 — ModelOpt로 양자화한 동일한 instruct 모델이며, 저장된 파라미터 수는 39,616,865,360개이고 8비트로 태그되어 있습니다. 다른 모델이 아니라, 같은 가중치를 담은 더 작은 컨테이너입니다.

• Ripple-65B-Base-Preview — 2026년 10월 14일 생성, instruct 릴리스보다 3주 전. 이것은 사전학습된 베이스 모델로 별도 평가되었습니다: MMLU 83.7, MMLU-Pro 61.5, GPQA Diamond 38.4, HumanEval 70.9, MBPP Sanitized 81.5. 이 수치들은 instruct 카드의 89.6, 85.2 옆에 두면 충격적으로 보이지만, 베이스 모델 점수라는 점을 기억하면 — SFT 전, RL 전, 완성형 스타일로 답변 — 이해가 됩니다. 자체 후속 학습을 할 계획이라면 올바른 출발점이고, 어시스턴트를 원한다면 잘못된 선택입니다.

• Ripple-65B-Preview-DFlash2 — 4.04B 파라미터의 추측 디코딩 드래프터입니다. 65B 모델이 검증할 토큰을 제안할 뿐 스스로는 아무것도 생성할 수 없으며, 모델 카드에는 "대상 모델이 텍스트를 생성해야 한다"고 명시되어 있습니다.

네 개의 저장소, 하나의 모델, 그중 셋은 체크포인트의 변형이고 하나는 구성 요소입니다. 아무도 다섯 번째를 공개하지 않았습니다.

만약 최종 Ripple-65B가 실제로 출시된다면, 무엇이 바뀔까요?

이것은 비교의 건설적인 부분이며, "더 나은 포스트 트레이닝"을 막연히 언급하기보다 구체적으로 말할 가치가 있습니다.

• 컨텍스트 관련 이야기는 아마 정리될 것입니다. Preview는 최대 1M을 광고하며, 장문 컨텍스트 단계에서 2M 토큰 시퀀스로 학습되었습니다. 반면 상용 제품 목록에서는 16,384를 제공해 왔고, 더 최근에는 128K를 전면에 내세웠습니다. 최종 릴리스는 연구소가 모델이 아키텍처상 지원하는 범위가 아니라 실제로 무엇에 대해 검증되었는지를 밝히기에 자연스러운 시점입니다.

• 주목해야 할 수치는 DeepSWE와 SciCode일 것입니다. 바로 이 두 곳에서 Preview가 다른 벤치마크에서 앞서는 모델들에 뒤처지며, 실제 저장소에 대한 더 많은 RL과 더 많은 SFT에 가장 직접적으로 반응하는 벤치마크이기 때문입니다.

• 그때쯤이면 독립적인 점수가 존재할 가능성이 높다. 현재 Artificial Analysis에는 어떤 Ripple 슬러그에 대한 항목도 없으며, 이는 유통되는 모든 수치가 공급업체가 보고한 것임을 의미한다. GA 릴리스는 집계 업체들이 보통 모델을 목록에 올리기 시작하는 시점이다.

• 라이선스는 아마 Apache 2.0으로 유지될 것입니다. 이번 출시에서 Ricursive가 이를 철회하려 한다고 암시하는 내용은 없으며, 그것은 이번 릴리스가 가진 가장 가치 있는 단일 자산입니다.

그중 어느 것도 공식적으로 발표된 것은 아니다. 그것은 해당 카드가 자체 포스트트레이닝 예산에 관해 말하는 내용에서 나온 추론이며, 그렇게 읽어야 한다.

명명의 함정, 그리고 그것이 실질적으로 중요한 이유

이 모델을 구성 파일에 연결할 때라면, 그 구분은 더 이상 학술적인 문제가 아닙니다. 실제로 해석되는 식별자는 ricursiveAI/Ripple-65B-Preview입니다. ricursiveAI/Ripple-65B에 대한 요청은 아무것도 반환하지 않습니다. 그 이름으로 존재하는 것이 없기 때문입니다. 그리고 조용히 퍼지 매칭으로 폴백하는 파이프라인은 실패하거나, 더 나쁘게는 instruct 체크포인트를 기대한 자리에 base 체크포인트를 조용히 제공하게 됩니다.

같은 함정은 기본 모델에서도 반대 방향으로 존재합니다. Ripple-65B-Base-Preview는 실제 가중치가 있는 실제 저장소이며, instruct 릴리스와는 진정으로 다른 산출물입니다: 점수도 다르고, 동작도 다르고, 목적도 다릅니다. 인터넷에서 "Ripple-65B" 점수를 비교하는 사람은 거의 확실히 instruct 카드의 89.6 MMLU와 base 카드의 83.7을 섞으면서 그것들이 서로 다른 두 저장소에서 나왔다는 점을 알아차리지 못하는 것입니다.

세 가지 실용적인 규칙이 이어집니다. 패밀리 이름이 아니라 정확한 repo id와 리비전 해시를 고정하세요. 호스팅 엔드포인트와 BF16 다운로드가 같은 제품이라고 가정하지 마세요 — 호스팅되는 것은 NVFP4일 수 있고, 다른 리비전일 수 있으며, 거의 확실히 컨텍스트 한도가 다릅니다. 그리고 도구나 리더보드가 접미사 없이 "Ripple-65B"를 나열한다면, 숫자를 인용하기 전에 그것이 어느 저장소를 의미하는지 확인하세요.

오늘 Preview로 할 수 있는 것

실제로 꽤 많으며, 일주일 전보다도 더 많습니다. 가중치는 제한 없이 공개되어 있고 Apache 2.0이므로 승인 절차가 없습니다. 11월 5일 기준으로 vLLM은 네이티브 지원을 병합했습니다. 내장 RicursiveConfig, 추론 및 도구 호출 파서, 단일 B300에서 NVFP4를 기본값으로 사용하는 레시피가 포함되어, 대부분의 팀이 이미 사용하는 엔진에서 --trust-remote-code 없이 체크포인트를 로드할 수 있습니다. SGLang의 병행 풀 리퀘스트는 아직 열려 있어, 현재 vLLM이 이 아키텍처를 외부 스크립트가 아닌 지원 아키텍처로 제공하는 유일한 주류 엔진입니다.

상업적으로 이 모델은 입력 토큰 100만 개당 약 $0.20, 출력 토큰 100만 개당 $0.60에 제공되며, 캐시된 입력은 그보다 훨씬 낮은 요율로 청구됩니다. 이 요율은 Preview를 기준으로 한 것인데, 현재 제공되는 것이 Preview뿐이기 때문입니다.

OrcaRouter는 이를 제공하지 않습니다. 이 점은 분명히 짚고 넘어갈 가치가 있습니다. 우리를 통해 양쪽 모두에 접근할 수 있다고 암시하는 것으로 끝나는 비교 페이지는 오해를 불러일으킬 수 있기 때문입니다 — 한쪽만 존재하며, 우리가 그것을 호스팅하지는 않습니다. 우리가 라우팅하는 것은 주변 모델군입니다: Kimi K3.1 Pro는 100만 토큰당 $2.00 및 $10.00이고 1M 컨텍스트를 제공하며, DeepSeek V4 Pro는 100만 토큰당 $0.66 및 $1.98이고 1M 컨텍스트와 384K 출력을 제공하며, Qwen3.8 Max는 100만 토큰당 $2.00 및 $6.00입니다. 65B 오픈 웨이트 코더에 대해 읽고 있는 이유가 조달 주기 없이 저렴한 에이전트형 모델을 원하기 때문이라면, 그것들은 다른 모든 모델과 동일한 키로 제공되며 장애 조치와 패스스루 가격이 적용됩니다. Ripple은 별도로 호스팅하거나 구매해야 하는 쪽입니다.

짧은 대답

누군가 Ripple-65B Preview와 Ripple-65B의 차이를 묻는다면, 정확한 답은 두 번째 모델은 아직 존재하지 않는다는 것입니다. Preview가 바로 그 모델입니다: 65B dense, Apache 2.0, 12조 개의 사전 학습 토큰, 가볍게 후처리 학습되었으며, 자체 측정 기준 Terminal-Bench 2.1에서 80.52, 어떤 독립 평가 기관에서도 순위가 매겨지지 않았고, 누가 서빙하느냐에 따라 달라지는 컨텍스트 윈도로 제공됩니다.

최종 릴리스가 더할 것은 확정된 컨텍스트 수치, Preview가 가장 취약한 소프트웨어 엔지니어링 벤치마크에서의 더 나은 수치, 그리고 아마도 이 모델이 처음 받는 외부 검증일 것입니다. Ricursive가 그것을 출시하기 전까지, 여러분이 읽는 모든 "Ripple-65B" 비교 — 그것을 Preview와 비교한다고 주장하는 모든 비교를 포함해 — 는 모델을 검색어와 비교하는 것입니다.