← 全部模型资讯

Ripple-65B Preview 以 Apache 2.0 开放 65B 稠密权重:TerminalBench 2.1 自报 80.52

据 The Decoder 2026 年 11 月 6 日报道,Ricursive 发布 Ripple-65B Preview:650 亿参数稠密模型,公司称 TerminalBench 2.1 得 80.52、为美国开放模型最佳,权重以 Apache 2.0 上架 Hugging Face;部分基准低于 Inkling 2 Small。

发布 更新
原报道封面 — Ripple-65B Preview 以 Apache 2.0 开放 65B 稠密权重:TerminalBench 2.1 自报 80.52
原报道封面原始报道 ↗

发生了什么

据 The Decoder 2026 年 11 月 6 日报道,AI 芯片设计公司 Ricursive Intelligence 训练并发布了开放语言模型 Ripple-65B Preview,在 12 万亿 token 上完成预训练。报道称,公司自报该模型在 TerminalBench 2.1 编程基准上取得 80.52 分,并称这是美国开放模型在该基准上的最佳成绩;该成绩一部分使用 Terminus 2、一部分使用 OpenCode 作为 harness 得到。报道同时列出三项较低的自报成绩:SWE-Bench Pro v2.0 Hard 79.1%、DeepSWE v1.1 44.3%、MCP Atlas 71.67%,均低于同期发布的 Inkling 2 Small 的 86.3%、72.1% 与 85.4/85.0%。模型为 650 亿参数的稠密 Transformer,没有采用更常见的混合专家路线,并称针对 Nvidia 硬件做了优化。据公司称,全部研发与训练支出约为 3200 万美元。权重以 Apache 2.0 许可在 Hugging Face 上提供。报道未提及第三方复现。

对开发者的影响

对打算接入或自托管的开发者,决定这个模型能不能用的往往不是 80.52 这个数字,而是它被怎么测出来的。报道明确写出该成绩一部分由 Terminus 2、一部分由 OpenCode 作为 harness 取得,这属于厂商报告口径:分数对应的是模型加特定智能体框架的组合,把它直接外推到自研工具调用循环,是推断而不是报道结论。第二处差异在架构路线:报道只说这是 650 亿参数的稠密模型、未走 MoE,按每 token 全量激活来理解,激活量与总参数量之比和同规模 MoE 明显不同。若按 BF16 每参数约两字节粗略估算,全量权重在 130GB 量级——这是基于公开参数量的算术推断,不是来源数据——因此 80GB 级单卡无法容纳 BF16 全量权重,通常需要多卡或量化;但报道没有给出上下文长度、量化版本、显存下限或推理框架支持情况,这些才是自托管成本的主要变量,无法仅由参数量推出。第三处是许可边界:报道只说权重以 Apache 2.0 提供,未交代训练代码、训练数据与配套工具是否同样开放,把「可商用」的结论从权重扩大到整个项目并不稳妥。此外,报道给出的对照对象只有 Inkling 2 Small 一个,且 Ripple 在其中三项落后,单看 TerminalBench 2.1 一个榜单不足以支撑整体能力判断。

接入与评估建议

以下为条件性分析与建议,不是报道事实。第一,针对「TerminalBench 2.1 分数由 Terminus 2 与 OpenCode 两个 harness 取得」这一报道变化,要做的选择是把它先放进候选池做影子对照,还是直接替换现用编码模型;改变这个选择的前提是你的 agent 框架与这两个 harness 的接近程度,差异越大,分数越难迁移。可检验的标准是:用你自己的 harness 在同一批内部工单上跑对照,记录端到端通过率、平均工具调用轮数与失败类型分布,只有当通过率不劣于现用模型、且轮数没有明显上升时,才有理由考虑切换。第二,针对「650 亿参数稠密、面向 Nvidia 优化、部署参数缺失」这一组报道事实,要做的选择是直接用自有硬件部署,还是先借助外部服务验证效果再决定采购;前提是你单机可用显存与目标上下文长度。标准是:在目标上下文长度下测首 token 延迟与稳定吞吐,并对同一批任务做量化前后的通过率对照,要求跌幅不超过你事先设定的阈值,否则就需要更多卡,或在长上下文场景准备降级方案。第三,针对「权重以 Apache 2.0 提供」这一报道事实,要做的选择是立即投入面向分发的微调,还是先确认许可与实际交付内容;改变这个选择的前提是仓库中真正包含的文件与模型卡条款。标准是核对许可文件及任何附加使用条款,把许可元数据登记进内部模型清单,在法务确认之前不投入面向对外分发的微调。

限制与待确认事项

报道中的基准分数与约 3200 万美元成本均来自公司自报,报道未说明是否存在第三方复现,也未给出评测配置细节;「美国开放模型最佳」只是就 TerminalBench 2.1 单一基准的说法,与报道随后列出的三项落后并不矛盾,但不能当作整体能力结论。文中约 130GB 的显存估算来自 650 亿参数按 BF16 每参数两字节的算术推断,不是来源数据;来源未给出显存下限、上下文长度、量化版本或推理框架支持。Ripple-65B Preview 目前不在 KimiSeek 的模型目录中,来源只报告 Hugging Face 上的权重,未提及托管 API,因此如涉及 API 可用性,其口径指的是厂商而非 KimiSeek;若后续出现厂商或第三方提供的 API,可用性与计费应以提供方页面为准。带 Preview 字样的版本通常还会继续变化,权重是否会持续维护、训练代码与数据是否开放,都需要以模型卡和本地实测为准。

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

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

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。