Ricursive slipper Ripple-65B under Apache 2.0: 80,5 på Terminal-Bench 2.1 for 32 millioner dollar
torsdag 5. november · KI-generert · Kilde: Ricursive Intelligence
Test Ripple-65B Preview, Ricursive Intelligences åpne 65B-modell under Apache 2.0 som scorer 80,5 på Terminal-Bench 2.1, men vit at lanseringen bare sammenligner med amerikanske modeller.
«32 millioner dollar er hele FoU-kostnaden vår fra bunnen av», skriver Ricursive Intelligence i lanseringsinnlegget for Ripple-65B Preview. Beløpet dekker ifølge selskapet alt fra skaleringseksperimenter og syntetiske data til selve treningskjøringene. Modellen er en tett Transformer med 65 milliarder parametere, trent på 12 billioner tokens, og støtter opptil 1M tokens kontekst. Vektene ligger på Hugging Face under Apache 2.0, sammen med en NVFP4-versjon og en ren base-modell.
På Terminal-Bench 2.1 oppgir Ricursive 80,52, så vidt foran Reflection Beam 501B (80,1) og Meta Muse Spark Open 816B (76,4). Modellkortet viser samtidig at tallene flytter seg med testoppsettet: Når Ricursive selv kjører Reflection Beam gjennom det offisielle Terminus 2-oppsettet, faller den til 70,8. På SWE-bench Verified ligger Ripple på 76,5 mot Beams 81,6. Kinesiske modeller som Qwen er ikke med i sammenligningen av instruksjonsmodellene, og det var det første Hacker News-tråden plukket opp. En HN-bruker viser til at Qwen 3.8-27B ligger på 73,0 og Qwen 3.8 Flash Next på 84,3 på samme test.
«De scorer 0,42 prosentpoeng høyere enn nest beste modell på benchmarken de selv har valgt, så det er knapt noen meningsfull ledelse.» — HN-brukeren yorwba, Hacker News
Bakgrunn
Ricursive bygger en plattform for KI-drevet chipdesign, og Ripple-65B Preview er en generell variant av den proprietære modellen som driver den. Teamet vokste fra 1 til 5 personer under utviklingen, ifølge modellkortet. Selskapet valgte tett arkitektur fremfor Mixture-of-Experts (MoE) for å holde treningsinfrastrukturen enkel, og oppgir 40 % MFU uten egne kjerner eller kvantisering. RL-fasen nådde 80,5 med 1,4 millioner rollouts, omtrent 70 ganger færre enn Reflection Beam ifølge Ricursive.
Tett betyr at alle 65 milliarder parametere er aktive for hvert token, mens MoE-modellene i sammenligningen aktiverer mellom 23 og 55 milliarder. BF16-vektene er på 129,6 GB, og filoversikten på Hugging Face viser at NVFP4-versjonen er på 57,2 GB. AtomicChat har allerede lagt ut GGUF-filer med en Q4_K_M på 38,8 GB, men arkitekturen støttes ennå ikke i vanlig llama.cpp, LM Studio eller Ollama. Du må bygge llama.cpp fra PR #31692. Via OpenRouter koster modellen 0,20 dollar per million input-tokens og 0,60 dollar per million output-tokens, men kontekstvinduet der er 16 384 tokens, ikke 1M.
«det er trolig vanskelig å bli populær blant hobbyister og lokalmodell-entusiaster … fordi det er en tett 65B-modell og inferens blir uoverkommelig treg på forbrukermaskinvare» — HN-brukeren stewartpark, Hacker News
Hva bør du gjøre?
- Prøv modellen via OpenRouter (
ricursiveai/ripple-65b-preview) før du laster ned 57 til 130 GB, og husk at kontekstvinduet der er 16 384 tokens. - Vil du kjøre lokalt, start med Q4_K_M-filen på 38,8 GB og bygg llama.cpp fra PR #31692 med
--jinja, siden chatmalen med verktøykall ligger i filen. - Kjør dine egne agentoppgaver mot Qwen 3.8-27B side om side, siden lanseringen ikke sammenligner med kinesiske modeller.