Ricursive Intelligence 于 11 月 4 日（UTC 18:24）发布首个模型 Ripple-65B Preview，并在 Hugging Face 以 Apache 2.0 开源指令版（BF16、NVFP4）和基座版。官方模型卡显示：65B 稠密 Transformer、12T token 预训练、最长 1M 上下文，自报 TerminalBench 2.1 80.5、SWE-bench Pro v2.0 Hard 79.1、DeepSWE 1.1 44.3，在编码 Agent 任务上超过参数大得多的美国开源模型；可在 DGX Spark 等本地硬件运行。CEO Anna Goldie 称成本约为此前同类 SOTA 的十分之一。
核心要点速览
- ✓Ripple-65B Preview 为 65B 稠密模型，80 层、d_model 5120 的“窄而深”结构，从 Olmo 3 基线改为类 Gemma 3N 架构。
- ✓预训练 12T token（8K 序列），后训练含中训练、长上下文、SFT 与混合领域 RL，支持最长 1M 上下文。
- ✓自报 TerminalBench 2.1 80.5，高于 Reflection Beam 501B（80.1）、Muse Spark Open 816B（76.4）；但 SWE-bench Verified 76.5、DeepSWE 1.1 44.3 并非全面领先。
- ✓官方称核心团队从 1 人扩到 5 人，代码计算效率相对 Olmo 3 提升 16 倍；2×B200 上约 250 tok/s。
- ✓Hugging Face 提供 BF16、NVFP4、基座版和 DFlash2 投机解码模型，许可均为 Apache 2.0。
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
美国开源权重模型在编码 Agent 任务上常被认为落后，且多为体量巨大的 MoE 模型，本地难以运行。Ricursive Intelligence（CEO Anna Goldie，曾任职 Google DeepMind、Anthropic）发布首个自研模型 Ripple-65B Preview，主打小团队、低成本、可本地运行。
架构亮点与底层机制
据官方模型卡，Ripple 选择稠密 Transformer 而非 MoE，以降低训练和推理复杂度：80 层、d_model 5120，增加注意力头数、提高滑动窗口层比例，并加入门控注意力、全局 NoPE 和 value residual。预训练 12T token，后训练含中训练、长上下文、SFT 与 RL。
权威 Benchmark 与实测跑分对比
自报 TerminalBench 2.1 80.5、SWE-bench Pro v2.0 Hard 79.1、GPQA Diamond 85.2、AIME 2025 98.3；但 DeepSWE 1.1 44.3 低于 Muse Spark Open 的 60.0，SWE-bench Verified 76.5 也低于 Reflection Beam 的 81.6。部分竞品分数为 Ricursive 自行测评，官方也承认智能体评测复现困难。
开发者实战落地与开箱指南
可从 Hugging Face 下载 ricursiveAI/Ripple-65B-Preview（BF16）或 NVFP4 版，官方提供 Colab 帮助在 DGX Spark 等设备上本地运行；DFlash2 草稿模型可用于投机解码加速。许可为 Apache 2.0，可商用。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察