主要成果
米国のスタートアップ、Ricursive Intelligenceが公開した「Ripple-65B Preview」は、エージェントコーディングのベンチマークである「Terminal-Bench 2.1」において、米国製オープンウェイトモデルで最高点となる80.52点を記録した。これは、パラメータ数が5,010億個の「Beam 501B」(80.1点)、Metaのパラメータ数8,160億個の「Muse Spark Open」(76.4点)、および「Inkling 975B」(63.8点)を上回る性能である。また、SWE-bench Pro v2.0 HardおよびDeepSWE 1.1においても、米国製オープンモデルとの性能比較結果が公開されている。
技術・詳細
Ripple-65B Previewは、12兆個のトークンを用いて事前学習されており、コンテキスト長は最大100万トークンまで対応している。本モデルはNVIDIAのハードウェアで効率的に学習およびサービス提供が行えるよう設計されており、パラメータ規模が比較的小さいため、データセンター向け大型GPUだけでなくローカル環境での運用も可能だ。現在はHugging Faceから無料でダウンロードできるほか、Together AI、GMI Cloud、OpenRouter、FireworksなどのAPIサービスを通じて利用できる。
一方で、すべての分野で首位に立ったわけではない。数学ベンチマークの「HMMT 2026年2月」、安全性ベンチマークの「FORTRESS Adversarial」、およびAIエージェントの実務能力を測定する「AutomationBench」公開版では、Muse Spark Openが1位、Beam 501Bが2位となり、Ripple-65B Previewは3位の結果となった。
背景・業界の文脈
AI業界では学習コストの高騰が課題となっており、OpenAIのサム・アルトマンCEOはGPT-4の学習費用が1億ドルを超えたと言及している。また、Anthropicのダリオ・アモデイCEOは、最先端モデルの学習に最大10億ドル、2026〜2027年には事前学習費用だけで1,000億ドルに達する可能性があると予測している。このような状況下で、Ricursive IntelligenceはRipple-65B Previewの全研究開発費用を3,200万ドルに抑えた。これは既存の最高性能オープンモデルの開発費の10分の1水準に相当する。
今後の展望
コスト削減の要因として、同社は計算効率を重視したSFT(教師あり微調整)と強化学習の手法を挙げている。特に、外部から学習データを購入せず、独自の合成データパイプライン、品質フィルタリング、カバレッジ指標を開発して活用した。その結果、Terminal-Bench 2.1で80.5点を達成するまでの試行回数は140万回にとどまり、これは最高点を記録していたBeamの70分の1という極めて高い効率性を実現している。AIによる半導体チップ設計の再帰的自己改善を研究する同社にとって、この効率的なモデル構築手法は重要な基盤になると考えられる。
元記事: https://startuprecipe.co.kr/archives/tech/5840663
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録(週刊・技術動向レポート)
ご登録いただくと、Troy-Technical から週刊で技術動向レポート(メールマガジン)をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます(各メール下部のリンクから)。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます



