跳到主要內容
2026-11-05 日報
模型發布

Ricursive 發布 Ripple-65B Preview:美國開放權重模型在 TerminalBench 2.1 拿下 80.52 分,訓練成本約 3,200 萬美元

Hacker News綜合 2 家報導多家報導
核實資料不足

多個報導來源提及此事;未必是彼此獨立的證據。

本次未取得足夠原文證據

Ricursive Intelligence 發布 Ripple-65B Preview,這是一款以 12 兆 token 從零預訓練的 650 億參數稠密模型,支援最長 1M 上下文,並在代理式程式任務上取得美國開放權重模型的最佳成績。官方稱其在 TerminalBench 2.1 拿下 80.52 分,高於 Reflection Beam 501B(80.1)、Meta Muse Spark Open 816B(76.4)、Thinking Machines Inkling 975B(63.8)與 NVIDIA Nemotron 3 Ultra 550B(56.4)。第三方貼文另列出該模型在 SWE-Bench Pro v2.0-Hard 達 79.1%、DeepSWE v1.1 達 44.3%,但這些數字未經獨立核實。 據官方表示,全部研發成本約 3,200 萬美元(含預訓練階梯實驗、資料配比、評測、合成資料與最終訓練),約為先前開放權重代理編程 SOTA 估計成本的十分之一;此成本為公司自估值,未經外部查證。在後訓練階段,團隊採用截斷重要性採樣、分數置中與線性長度懲罰等 RL 配方,以 140 萬次 rollout 達到 80.5 分,據稱約為前代 SOTA Reflection Beam 所用 rollout 數的七十分之一。 架構上,Ripple 選擇稠密 Transformer 而非 MoE,寬度 d_model 為 5120、共 80 層,並加入 FFN 激活截斷、門控注意力、全域 NoPE 與 value residual 等設計。官方稱即使未使用自訂核心與量化,預訓練與後訓練仍維持約 40% 的 MFU。公司表示,此模型的參數規模較小,可在 NVIDIA DGX Spark 等本地裝置上運行。 模型目前已在 Hugging Face、Together AI、GMI Cloud 與 OpenRouter 提供,Fireworks 稍後上線。官方另表示,公司內部用於 AI 晶片設計平台的變體為此模型的專有版本。
讀原始報導

背景

NVIDIA DGX Spark 是該公司的個人 AI 超級電腦,新聞提到 Ripple-65B Preview 的精簡參數規模,使其能在這類本地裝置上高效運行。NVIDIA 表示,DGX Spark 最新的軟體釋出後效能提升 2 倍,並加入開源 AI 模型的支援。

社群討論

社群對 Ripple-65B 的反應偏批判:多數人認為其「SOTA」與「frontier」的說法過度限縮在美國製、同尺寸開源模型的範圍,且比較圖刻意避開 Qwen3.8-27B 等主流對手,被質疑為 cherry-picking;有人指出 Terminal Bench 2.1 上它為 80.5,低於 Qwen 3.8 Flash Next 的 84.3,但高於 27B 的 73.0。正面意見則集中在 65B dense 模型可在高記憶體 Mac Studio 上以可用速度運行,且訓練成本被認為值得關注。

來源