← Alle Modellneuigkeiten

Ripple-65B Preview: 65B dichte Gewichte unter Apache 2.0, laut Hersteller 80,52 auf TerminalBench 2.1

Laut The Decoder vom 6. November 2026 hat Ricursive Ripple-65B Preview veröffentlicht: ein dichtes Modell mit 65 Milliarden Parametern. Laut Unternehmen erreicht es 80,52 auf TerminalBench 2.1, das sei der beste Wert eines US-Open-Models. Die Gewichte stehen auf Hugging Face unter Apache 2.0. Bei einigen Benchmarks liegt es unter Inkling 2 Small.

Veröffentlicht Aktualisiert
Titelbild des Originalberichts — Ripple-65B Preview: 65B dichte Gewichte unter Apache 2.0, laut Hersteller 80,52 auf TerminalBench 2.1
Titelbild des OriginalberichtsOriginalbericht ↗

Was sich geändert hat

Laut The Decoder vom 6. November 2026 hat Ricursive Intelligence, ein Unternehmen für KI-Chipdesign, das offene Sprachmodell Ripple-65B Preview trainiert und veröffentlicht, vortrainiert auf 12 Billionen Token. Laut Bericht meldet das Unternehmen 80,52 Punkte im Programmier-Benchmark TerminalBench 2.1 und bezeichnet dies als besten Wert eines US-Open-Models in diesem Benchmark. Das Ergebnis wurde teils mit Terminus 2, teils mit OpenCode als Harness erzielt. Der Bericht nennt zugleich drei niedrigere, selbst gemeldete Werte: SWE-Bench Pro v2.0 Hard 79,1 Prozent, DeepSWE v1.1 44,3 Prozent und MCP Atlas 71,67 Prozent, alle unter den Werten von Inkling 2 Small, das zeitgleich erschien und 86,3 Prozent, 72,1 Prozent sowie 85,4/85,0 Prozent erreicht. Das Modell ist ein dichter Transformer mit 65 Milliarden Parametern, folgt also nicht dem verbreiteteren Mixture-of-Experts-Ansatz, und ist laut Bericht für Nvidia-Hardware optimiert. Laut Unternehmen lagen die gesamten Forschungs- und Trainingskosten bei rund 32 Millionen US-Dollar. Die Gewichte sind auf Hugging Face unter der Apache-2.0-Lizenz verfügbar. Eine unabhängige Reproduktion wird im Bericht nicht erwähnt.

Auswirkungen für Entwickler

Für Entwickler, die das Modell anbinden oder selbst hosten wollen, entscheidet oft weniger die Zahl 80,52 als vielmehr, wie sie zustande kam. Der Bericht schreibt ausdrücklich, dass das Ergebnis teils mit Terminus 2 und teils mit OpenCode als Harness erzielt wurde. Das ist eine Herstellerangabe: Der Score beschreibt die Kombination aus Modell und bestimmtem Agent-Framework. Ihn direkt auf eine eigene Tool-Calling-Schleife zu übertragen, wäre eine Schlussfolgerung, nicht das Ergebnis des Berichts. Ein zweiter Unterschied liegt im Architekturansatz: Der Bericht nennt nur ein dichtes Modell mit 65 Milliarden Parametern ohne MoE, also mit vollständiger Aktivierung pro Token; das Verhältnis von aktivierten zu gesamten Parametern unterscheidet sich damit deutlich von einem MoE gleicher Größe. Grob gerechnet mit etwa zwei Byte pro Parameter in BF16 ergibt sich eine Größenordnung von etwa 130 GB für alle Gewichte. Das ist eine arithmetische Ableitung aus der öffentlich genannten Parameterzahl, keine Angabe der Quelle. Eine einzelne GPU der 80-GB-Klasse kann die vollen BF16-Gewichte daher nicht fassen; in der Regel braucht es mehrere Karten oder Quantisierung. Der Bericht nennt jedoch weder Kontextlänge noch Quantisierungsvarianten, Mindest-VRAM oder Unterstützung durch Inferenz-Frameworks. Gerade diese Punkte bestimmen die Kosten des Selbst-Hostens und lassen sich nicht allein aus der Parameterzahl ableiten. Drittens die Lizenzgrenze: Der Bericht sagt nur, dass die Gewichte unter Apache 2.0 stehen, und lässt offen, ob Trainingscode, Trainingsdaten und begleitende Tools ebenfalls offen sind. Den Schluss „kommerziell nutzbar“ von den Gewichten auf das gesamte Projekt auszudehnen, ist daher unsicher. Zudem nennt der Bericht als Vergleich nur Inkling 2 Small, und Ripple liegt bei drei der vier genannten Benchmarks zurück. Eine einzige Rangliste bei TerminalBench 2.1 reicht nicht für ein Gesamturteil zur Leistungsfähigkeit.

Integration und Bewertung

Die folgenden Punkte sind bedingte Analysen und Empfehlungen, keine Berichtstatsachen. Erstens: Wegen der Meldung, dass das TerminalBench-2.1-Ergebnis mit den zwei Harnesses Terminus 2 und OpenCode erzielt wurde, stellt sich die Frage, ob das Modell zunächst als Schattenvergleich in die Kandidatenliste kommt oder ob es das aktuell genutzte Coding-Modell direkt ersetzen soll. Ausschlaggebend ist, wie nahe das eigene Agent-Framework diesen beiden Harnesses kommt; je größer der Unterschied, desto schwerer übertragbar ist der Score. Prüfbar ist das so: mit dem eigenen Harness auf derselben internen Ticket-Stichprobe einen Vergleich fahren und End-to-End-Erfolgsquote, durchschnittliche Zahl der Tool-Aufrufe und Verteilung der Fehlertypen erfassen. Ein Wechsel ist erst begründet, wenn die Erfolgsquote nicht schlechter ist als beim bisherigen Modell und die Zahl der Runden nicht deutlich steigt. Zweitens: Angesichts der Fakten „65 Milliarden Parameter dicht, für Nvidia optimiert, Deployment-Angaben fehlen“ stellt sich die Frage, ob direkt auf eigener Hardware deployt oder erst über einen externen Dienst die Qualität geprüft und dann über Beschaffung entschieden wird. Voraussetzung sind der lokal verfügbare VRAM und die angezielte Kontextlänge. Prüfmaßstab: bei der Ziel-Kontextlänge Latenz bis zum ersten Token und stabilen Durchsatz messen und die Erfolgsquote vor und nach der Quantisierung auf derselben Aufgabenmenge vergleichen; der Rückgang darf die vorab festgelegte Schwelle nicht überschreiten, sonst braucht es mehr Karten oder für lange Kontexte einen Rückfallplan. Drittens: Wegen der Meldung, dass die Gewichte unter Apache 2.0 stehen, stellt sich die Frage, ob sofort in ein auf Weitergabe ausgerichtetes Fine-Tuning investiert wird oder erst Lizenz und tatsächlicher Lieferumfang geklärt werden. Ausschlaggebend sind die tatsächlich im Repository enthaltenen Dateien und die Bedingungen der Model Card. Prüfmaßstab: Lizenzdatei und etwaige Zusatzbedingungen prüfen, Lizenzmetadaten in das interne Modellregister eintragen und vor juristischer Bestätigung kein auf externe Weitergabe ausgerichtetes Fine-Tuning beginnen.

Grenzen und offene Fragen

Die Benchmark-Werte und die Kosten von rund 32 Millionen US-Dollar stammen aus Unternehmensangaben; der Bericht nennt weder eine unabhängige Reproduktion noch Details zur Evaluationskonfiguration. Die Aussage „bester Wert eines US-Open-Models“ bezieht sich nur auf den einen Benchmark TerminalBench 2.1 und widerspricht den drei anschließend genannten schlechteren Werten nicht, taugt aber nicht als Gesamturteil zur Leistungsfähigkeit. Die Schätzung von etwa 130 GB im Text ist eine arithmetische Ableitung aus 65 Milliarden Parametern zu zwei Byte pro Parameter in BF16 und keine Angabe der Quelle; die Quelle nennt weder Mindest-VRAM noch Kontextlänge, Quantisierungsvarianten oder Framework-Unterstützung. Ripple-65B Preview steht derzeit nicht im Modellkatalog von KimiSeek. Die Quelle berichtet nur von Gewichten auf Hugging Face und erwähnt keine gehostete API; Aussagen zur API-Verfügbarkeit beziehen sich daher auf den Anbieter, nicht auf KimiSeek. Sollten später APIs des Anbieters oder Dritter erscheinen, richten sich Verfügbarkeit und Abrechnung nach der Seite des jeweiligen Anbieters. Versionen mit der Bezeichnung Preview ändern sich in der Regel weiter; ob die Gewichte gepflegt werden und ob Trainingscode und -daten offen sind, lässt sich nur anhand der Model Card und eigener Tests klären.

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

Ripple-65B Preview 发布:完全 Apache 2.0 开源的美国模型,智能体编程成绩强劲

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.