Ricursive 11 月 4 日发布 Ripple-65B Preview：一个 65B 参数的稠密 Transformer 模型，从零预训练，12T token，最长上下文 1M，Apache 2.0 协议开源。官方称它在 Terminal-Bench 2.1 上拿到 80.52 分，是美国开源权重模型的 Agent 编程最高分——超过了 501B 的 Reflection Beam（80.1）、816B 的 Meta Muse Spark Open（76.4）、975B 的 Thinking Machines Inkling（63.8）和 550B 的 NVIDIA Nemotron 3 Ultra（56.4）。
先说清楚口径：这些分数都是 Ricursive 自报，尚无第三方独立复现；模型卡自己也承认，用官方 Terminus 2 框架重测时，多数对手的分数会下降（Beam 从 80.1 掉到 70.8），Ripple 保持 80.5。另外注意这是 Terminal-Bench 2.1，不能拿去跟 Claude Opus 5.5 的 Terminal-Bench 4.0 分数（66.4）直接比。
不止 Terminal-Bench：一张并不一边倒的成绩单
模型卡公布的完整对照表里，Ripple 并不是全面胜出：SWE-bench Verified 76.5（Beam 81.6 更高）、DeepSWE 1.1 44.3（Muse Spark Open 60.0 更高）、SciCode 39.4（Muse Spark Open 58.5 更高）。它真正领先的是 SWE-bench Pro v2.0 Hard（79.1，表中第一）和 Terminal-Bench 2.1。知识与数学项上，MMLU 89.6、AIME 2025 98.3，也落后于几个大模型——这是一个偏 Agent 编程的模型，不是全能冠军。
便宜是第二卖点：3200 万美元训出来
官方称 Ripple 全程研发成本 3200 万美元，约此前开源 SOTA 的十分之一（按公开报道估算，Reflection 每月为算力投入约 1.5 亿美元）。RL 只用了 140 万 rollouts，约 Beam 的 1/70；团队从 1 人扩到 5 人；训练全程 MFU 保持 40%，没有定制 kernel、没有量化，全程 BF16。
省钱的办法是一套“模型阶梯”（model ladder）：从 Olmo 3 的阶梯出发，小规模试验架构与训练方法，再放大——最终版阶梯在代码计算效率上比 Olmo 3 阶梯高 16 倍（4B 规模下），完整训练则称高出 55 倍。
架构：稠密，不走 MoE
跟几个对手不同，Ripple 是稠密模型——65B 参数每 token 全激活，而不是 MoE 只激活一部分。官方称这是为自家训练与 serving 平台协同设计的选择：窄而深（d_model 5120、共 80 层），注意力头超配、提高 SWA 与全局层比例、缩小 SWA 窗口，并加入 FFN 激活裁剪、门控注意力、全局 NoPE 与 value residuals。架构上从 Olmo 3 的类 Llama 结构改到类 Gemma 3N 结构，以提升大规模训练稳定性。
本地能跑：DGX Spark 与 NVFP4
65B 的体量让本地部署成为现实卖点：官方称模型能装进 NVIDIA DGX Spark 这类消费级硬件，数据中心 GPU 上 2 张 B200、batch=8 时生成速度 250 token/秒。发布包含 3 个检查点：指令微调 BF16、NVFP4 与 BF16 基础模型，另有 DFlash2 变体；BF16 完整权重约 130GB 显存，本地可以从 NVFP4 版或社区 GGUF 量化版起步，官方还给了 NVFP4 上手 colab。
哪里能拿到
权重已免费上架 Hugging Face；API 可走 Together AI、GMI Cloud 与 OpenRouter，Fireworks 随后上线。发布页也同步在 Ricursive 官网。这个模型是 Ricursive 芯片设计平台专有模型的通用变体——模型与硬件协同设计，正是这家公司的立身之本。
同样是开源模型本地跑，之前介绍过的 Qwenputer 把一颗 RISC-V CPU 编译进了 Qwen3.5 的权重里；开源权重方面，Kimi K3.1 Pro 的 2.8 万亿参数权重 11 月 4 日也已上线。
转自 Ricursive 官方的文章《Introducing Ripple-65B Preview, a Frontier Open-Weight Model》，原文链接：https://www.ricursive.com/ripple
暂无评论内容