芯片设计初创公司 Ricursive Intelligence 今日正式发布开源权重 AI 模型 Ripple-65B Preview。该公司声称，该模型在两项第三方基准测试中的代码表现得分，高于任何其他来自美国的开源模型。
Ripple-65B Preview 目前在 Hugging Face 开放下载，并可通过 Together AI、GMI Cloud 和 OpenRouter 等第三方 API 合作伙伴接入，Fireworks 的支持预计即将上线。其中，OpenRouter 上的 GMI Cloud 端点定价为：每百万输入 Token 0.20 美元，每百万输出 Token 0.60 美元。
基准测试表现：特定领域领先，整体互有胜负
Ricursive 指出，Ripple-65B 在 Terminal-Bench 2.1（衡量终端环境代码编写能力）和 SWE-bench Pro v2.0 Hard（专注高难度软件工程任务）中均位列第一。数据显示，Ripple 在 Terminal-Bench 2.1 得分为 80.5，略高于 Reflection 的 Beam（80.1）；在 SWE-bench Pro v2.0 Hard 得分为 79.1，显著优于 Nvidia Nemotron 3 Ultra（30.7）和 Thinking Machines Inkling（39.6）。
然而，这一领先地位具有局限性。Ricursive 承认，在其他基准测试中，Ripple 的表现不及部分竞争对手。例如在 DeepSWE 1.1 测试中，Meta Muse Spark Open 得分 60.0，而 Ripple 仅为 44.3；在数学测试 HMMT February 2026 及对抗性安全测试 FORTRESS Adversarial 中，Meta 和 Reflection 的得分也均高于 Ripple。此外，Reflection 自行发布的数据显示，几款中国开发的模型在 Terminal-Bench 结果上亦高于 Ripple。
值得注意的是，Ricursive 发布的比较图表与其模型卡数据存在冲突。例如在 SWE-bench Pro v2.0 Hard 测试中，模型卡列出 Meta 得分为 52.3，而发布图表中为 72.4。公司方面表示，复现智能体基准测试存在困难，且评估框架的变更会影响分数。这意味着，基准测试结果仅能反映特定设置下的综合表现，难以直接预测其在现有编码工作流中的实际可靠性。
低成本训练与密集架构策略
Ricursive 强调 Ripple 的训练极具成本效益。从初步实验到最终运行，总成本仅为 3200 万美元，远低于专有前沿模型数亿甚至数十亿美元的估算成本。公司估计，这一花费仅为前美国开源权重编码领导者 Reflection 的十分之一。
效率提升主要源于两方面技术主张：一是强化学习过程更高效，Ricursive 称其仅需约 140 万次 rollout 即达到报道结果，比 Reflection 的方法少约 70 倍；二是通过优化模型结构、训练设置和数据提高初始训练效率，实验显示在 40 亿参数规模下，计算量减少了多达 16 倍。
在架构选择上，Ricursive 采用了密集架构（Dense Architecture），即在生成期间使用模型的全部参数集。相比混合专家（MoE）设计，这种选择简化了训练基础设施。Ripple 包含 80 层，针对 Nvidia 硬件优化，在无专用自定义内核或量化训练的情况下，保持了约 40% 的模型 FLOPs 利用率。
部署与许可：Apache 2.0 允许商业改编
Ripple-65B 拥有 650 亿参数，使用 12 万亿 Token 从零开始训练。对于本地部署，Ricursive 引用了 Nvidia DGX Spark 及 MacBook 等设备，但并未提供具体的内存配置、速度或上下文长度保证。目前模型卡链接了 BF16 和压缩的 NVFP4 指令微调权重，开发人员需自行评估不同版本的内存使用和性能。
在许可方面，Ricursive 的代码库采用 Apache 2.0 许可证，允许在遵守条件的前提下进行商业使用、修改和重新分发，且无收入或用户阈值限制。这为企业开发人员将其纳入商业产品提供了便利，但需注意，下载模型并不消除硬件和运营成本，API 使用仍受提供商服务条款约束。
尽管 Ripple 提供了可下载的权重、宽松的许可证及具有竞争力的托管价格，但其基准测试结果的复杂性和数据冲突表明，企业团队仍需结合实际代码库和智能体软件，对任务完成率、错误率、Token 消耗及人工干预程度进行独立评估，以确定其是否适用于特定的生产环境。