Ripple-65B Preview、65Bの稠密ウェイトをApache 2.0で公開:TerminalBench 2.1で自社報告80.52
The Decoderの2026年11月6日の報道によると、RicursiveはRipple-65B Previewを発表した。650億パラメータの稠密モデルで、TerminalBench 2.1で80.52を記録し、米国のオープンモデルとして最高だと同社は主張している。ウェイトはApache 2.0でHugging Faceに公開された。一部のベンチマークはInkling 2 Smallを下回る。

主な変更
The Decoderの2026年11月6日の報道によると、AIチップ設計企業のRicursive Intelligenceはオープン言語モデルRipple-65B Previewを学習・公開し、12兆トークンで事前学習を完了した。報道によれば、同社はこのモデルがプログラミングベンチマークTerminalBench 2.1で80.52点を獲得し、米国のオープンモデルとして同ベンチマーク最高の成績だと主張している。このスコアは一部をTerminus 2、一部をOpenCodeをハーネスとして用いて得られた。報道は同時に、より低い3つの自社報告スコアも挙げている。SWE-Bench Pro v2.0 Hardが79.1%、DeepSWE v1.1が44.3%、MCP Atlasが71.67%で、いずれも同時期に公開されたInkling 2 Smallの86.3%、72.1%、85.4/85.0を下回る。モデルは650億パラメータの稠密Transformerで、より一般的なMixture of Experts方式を採用せず、Nvidiaハードウェア向けに最適化したとしている。同社によれば、研究開発と学習の支出総額は約3200万ドル。ウェイトはApache 2.0ライセンスでHugging Face上に提供される。報道では第三者による再現には触れていない。
開発者への影響
接続やセルフホストを検討する開発者にとって、このモデルを使えるかどうかを決めるのは80.52という数字そのものより、それがどう測られたかであることが多い。報道はこのスコアが一部Terminus 2、一部OpenCodeをハーネスとして得られたと明記しており、これはベンダー報告の枠組みである。スコアはモデルと特定のエージェントフレームワークの組み合わせに対応し、それを自社のツール呼び出しループにそのまま外挿するのは推論であって報道の結論ではない。第二の違いはアーキテクチャの路線にある。報道は650億パラメータの稠密モデルでMoEではないと述べるのみで、トークンごとに全パラメータを活性化すると理解すれば、活性化量と総パラメータ数の比は同規模のMoEと明らかに異なる。BF16でパラメータあたり約2バイトと粗略に見積もると、全ウェイトは130GB規模になる。これは公開されたパラメータ数に基づく算術的推論であり、情報源のデータではない。したがって80GB級の単一GPUではBF16の全ウェイトを収容できず、通常は複数GPUか量子化が必要になる。だが報道はコンテキスト長、量子化版、VRAMの下限、推論フレームワークの対応状況を示しておらず、これらこそセルフホストコストの主要な変数であり、パラメータ数だけから導くことはできない。第三はライセンスの境界である。報道はウェイトがApache 2.0で提供されると述べるのみで、学習コード、学習データ、付随ツールが同様に公開されているかは明らかにしていない。『商用利用可』という結論をウェイトからプロジェクト全体へ広げるのは慎重であるべきだ。さらに、報道が挙げる比較対象はInkling 2 Smallのみで、Rippleはそのうち3項目で劣っている。TerminalBench 2.1という単一のベンチマークだけでは全体的な能力の判断を支えるには不十分である。
導入と評価の提案
以下は条件付きの分析と提案であり、報道の事実ではない。第一に、「TerminalBench 2.1のスコアがTerminus 2とOpenCodeの2つのハーネスで得られた」という報道の変化に対しては、まず候補プールに入れてシャドー比較するか、現行のコーディングモデルを直接置き換えるかを選ぶことになる。この選択を変える前提は、自社のエージェントフレームワークがこれら2つのハーネスにどれだけ近いかであり、差が大きいほどスコアは移行しにくい。検証可能な基準は、自社のハーネスで同じ内部チケット群に対して比較実行し、エンドツーエンドの通過率、平均ツール呼び出し回数、失敗種別の分布を記録することだ。通過率が現行モデルに劣らず、回数が明らかに増えていない場合にのみ、切り替えを検討する理由がある。第二に、「650億パラメータの稠密、Nvidia向け最適化、デプロイ情報の欠落」という一連の報道事実に対しては、自社ハードウェアで直接デプロイするか、外部サービスで効果を検証してから調達を決めるかを選ぶことになる。前提は単機で使えるVRAMと目標とするコンテキスト長である。基準は、目標のコンテキスト長で初回トークン遅延と安定スループットを測り、同じタスク群で量子化前後の通過率を比較し、低下が事前に設定した閾値を超えないことを確認することだ。超える場合はより多くのGPUが必要か、長いコンテキストの場面向けに劣化時の代替手段を用意する必要がある。第三に、「ウェイトがApache 2.0で提供される」という報道事実に対しては、配布向けのファインチューニングに直ちに着手するか、まずライセンスと実際の提供内容を確認するかを選ぶことになる。この選択を変える前提は、リポジトリに実際に含まれるファイルとモデルカードの条項である。基準は、ライセンスファイルおよび付加的な利用条件を確認し、ライセンスのメタデータを社内のモデル台帳に登録し、法務の確認前に外部配布向けのファインチューニングに着手しないことだ。
制限と未確認事項
報道のベンチマークスコアと約3200万ドルのコストはいずれも同社の自己申告であり、報道は第三者による再現の有無も評価設定の詳細も示していない。「米国のオープンモデル最高」はTerminalBench 2.1という単一ベンチマークに関する記述にすぎず、報道が続けて挙げる3項目の劣後と矛盾はしないが、全体能力の結論として扱うことはできない。本文中の約130GBというVRAM推定は650億パラメータをBF16で1パラメータあたり2バイトとして算出した算術的推論であり、情報源のデータではない。情報源はVRAMの下限、コンテキスト長、量子化版、推論フレームワークの対応を示していない。Ripple-65B Previewは現在KimiSeekのモデルカタログに含まれていない。情報源はHugging Face上のウェイトのみを報じており、ホスト型APIには触れていない。したがってAPIの可用性に言及する場合、その主体はベンダーでありKimiSeekではない。今後ベンダーや第三者がAPIを提供する場合、可用性と課金は提供元のページに従うべきである。Previewという表記の付くバージョンは通常さらに変化するため、ウェイトが継続的に保守されるか、学習コードとデータが公開されるかは、モデルカードとローカルでの実測に基づいて判断する必要がある。