Was ist Ripple-65B Preview? Das 65B Open-Modell, das größere Konkurrenten schlägt

Ricursive Intelligence veröffentlichte Ripple-65B Preview am 4. November 2026 – ein dichtes Open-Weight-Modell mit 65 Milliarden Parametern, das trotz seiner Größe den höchsten selbst gemeldeten agentenbasierten Coding-Score unter den US-amerikanischen Open-Weight-Modellen erzielt. Es übertrifft vielfach größere Modelle bei wichtigen Tests, wird unter Apache 2.0 veröffentlicht und passt auf einen einzigen Rechner. Hier erfahren Sie, was Ripple-65B Preview tatsächlich ist, wie es in Benchmarks abschneidet und welche Vorbehalte Sie kennen sollten, bevor Sie den Schlagzeilen vertrauen.

Was ist Ripple-65B Preview?

Ripple-65B Preview ist ein dichter Transformer mit 65 Milliarden Parametern, der von Grund auf mit 12 Billionen Token vortrainiert wurde und Kontextlängen von bis zu 1 Million Token unterstützt. Es wird unter der permissiven Apache-2.0-Lizenz veröffentlicht, mit Gewichten, die Sie selbst herunterladen und ausführen können.

Das Modell stammt von Ricursive Intelligence, einem Palo-Alto-Startup, das eher für KI-Chip-Design als für Frontier-LLMs bekannt ist. Ripple ist eine universelle Variante des proprietären Modells, das Ricursives Chip-Design-Plattform antreibt – jetzt als Open-Weight-Release für alle verfügbar. Die Mitgründerinnen Anna Goldie und Azalia Mirhoseini, die an Googles AlphaChip mitgearbeitet haben, leiten das Projekt, und der Launch erhielt öffentliche Glückwünsche von Googles Jeff Dean.

Das Label „Preview" ist bedeutsam. Nach Ricursives eigenen Angaben durchlief das Release ein relativ leichtes Post-Training mit Fokus auf agentenbasiertes Coding – es handelt sich also um einen frühen Checkpoint und kein fertiges Produkt.

Ripple-65B Preview Benchmarks

Die zentrale Behauptung lautet 80,52 auf Terminal-Bench 2.1, einem Benchmark, der misst, wie gut ein Modell Code in einem Terminal schreibt und ausführt. Auf Ricursives Model Card führt dieser Score das US-amerikanische Open-Weight-Feld an, mit dem er verglichen wurde:

Zwei Dinge fallen auf. Erstens ist jeder Konkurrent in dieser Tabelle ein Mixture-of-Experts-Modell (MoE) mit deutlich mehr Gesamtparametern – Ripple ist dicht und wesentlich kleiner, übertrifft sie jedoch bei Terminal-Bench 2.1 und SWE-bench Pro v2.0 Hard. Zweitens ist das Bild kein eindeutiger Sieg: Reflection Beam führt weiterhin bei SWE-bench Verified, Muse Spark Open gewinnt DeepSWE 1.1, und die größeren Modelle haben einen leichten Vorsprung bei allgemeinem Wissen (MMLU) und einigen Mathematikaufgaben.

Mit anderen Worten: Ripple ist genau dort am stärksten, wo es trainiert wurde – agentenbasiertes Coding – und anderswo lediglich wettbewerbsfähig.

Warum ein kleines dichtes Modell größere schlagen kann

Ricursive hat eine bewusste Architekturentscheidung getroffen. Anstatt der MoE-Designs, die die meisten Labore heute verwenden, trainierte es einen modernisierten dichten Transformer, um die Trainings- und Serving-Infrastruktur einfach zu halten. Das Modell verwendet eine „dünn-und-tief"-Form – ein schmales d_model von 5.120 über 80 Schichten – und eine Gemma-3N-ähnliche Architektur, die für Trainingsstabilität im großen Maßstab gewählt wurde.

Die Effizienzgeschichte ist die eigentliche Schlagzeile. Ricursive beziffert die gesamten F&E-Kosten auf etwa 32 Millionen US-Dollar, was nach eigener Schätzung etwa einem Zehntel der Kosten des vorherigen Open-Weight-Führers im agentenbasierten Coding entspricht. Es berichtet auch, seinen Terminal-Bench-Score mit 1,4 Millionen RL-Rollouts erreicht zu haben – etwa 70-mal weniger als Reflection Beam verwendet hat. Im Vergleich zu seiner eigenen Olmo-3-Baseline berichtet Ricursive von einem 16-fachen Compute-Effizienzgewinn bei Code, der bei voller Skalierung auf das 55-Fache ansteigt.

Diese Zahlen stammen von Ricursive, nicht von einem unabhängigen Labor – behandeln Sie sie daher als selbst gemeldete Herstellerangaben, bis Dritte sie reproduzieren.

Können Sie Ripple-65B Preview lokal ausführen?

Ja – das ist ein wesentlicher Punkt. Mit 65 Milliarden Gesamtparametern ist Ripple klein genug, um auf Consumer-Hardware wie NVIDIAs DGX Spark zu laufen, und Ricursive positioniert es für die lokale Entwicklung. Es wurden drei Checkpoints veröffentlicht: ein instruction-tuned BF16-Modell, eine quantisierte NVFP4-Version und ein BF16-Basismodell sowie ein Colab zum Einstieg.

Auf Datacenter-GPUs berichtet Ricursive von etwa 250 Token/Sekunde auf 2xB200 bei Batch-Größe 8, vor jeglicher Quantisierung oder benutzerdefinierten Kerneln.

Die Gewichte und gehosteten Zugang erhalten Sie unter:

• Hugging Face — ricursiveAI/Ripple-65B-Preview (Apache-2.0-Gewichte)
• API-Partner — Together AI, GMI Cloud und OpenRouter, wobei Fireworks für den Launch-Tag als live gelistet ist

Wie der Anspruch „US Open-Weight SOTA" standhält

Der Anspruch ist real, aber eng gefasst. „State-of-the-art für US-amerikanische Open-Weight-Modelle" schließt geschlossene Modelle und nicht-US-amerikanische Open-Modelle aus – es ist also keine Aussage, dass Ripple das beste Modell oder auch nur das beste Open-Modell insgesamt ist. Unabhängige Berichterstattung stellte fest, dass Ripple bei anderen Benchmarks hinter einigen größeren Open-Modellen zurückbleibt.

Einige ehrliche Vorbehalte:

• Selbst gemeldet. Die Headline-Scores stammen von Ricursive selbst; Ricursive weist selbst darauf hin, dass agentenbasierte Eval-Scores je nach verwendetem Harness und Einstellungen stark variieren.
• Preview, nicht final. Leichtes Post-Training bedeutet, dass sich das Verhalten in späteren Releases ändern kann.
• Eingegrenzter Anspruch. Der Führungsanspruch bezieht sich speziell auf US-amerikanische Open-Weight-Modelle beim agentenbasierten Coding, nicht auf ein universelles Ranking.

Nichts davon schmälert die Leistung – ein dichtes 65B-Modell, das 500B-bis-975B-Konkurrenten bei schwierigen Coding-Aufgaben einholt oder übertrifft, ist ein echtes Ergebnis. Es bedeutet nur, dass die Rahmung dieselbe Prüfung verdient wie jeder Launch-Day-Benchmark.

Ripple-65B Preview vs. Reflection Beam und Muse Spark Open

Wenn Sie zwischen aktuellen Open-Weight-Coding-Modellen wählen, dreht sich der Kompromiss hauptsächlich um Größe versus Breite:

• Ripple-65B Preview — kleinste und günstigste Ausführung; beste Ergebnisse bei Terminal-Bench 2.1 und SWE-bench Pro v2.0 Hard; dicht und einfach lokal zu betreiben.
• Reflection Beam (501B) — stärker bei SWE-bench Verified; deutlich größeres MoE, aufwändiger zu hosten.
• Muse Spark Open (816B) — gewinnt DeepSWE 1.1 und MCP Atlas; ein größeres Meta-Release mit breiter Abdeckung.

Für Teams, die ein lokal einsetzbares Coding-Modell wünschen und die „Preview"-Reife akzeptieren können, ist Ripple die interessanteste neue Option. Für maximale Breite über Coding-Evals hinaus haben die größeren Modelle stellenweise noch einen Vorsprung.

Führen Sie Open-Modelle in Ihrer eigenen KI-Belegschaft aus

Ripple-65B Preview ist genau für die Art von Arbeit konzipiert, die Agenten den ganzen Tag erledigen: ein Repository lesen, Code schreiben und Befehle in einem Terminal ausführen. Eigent ist eine Open-Source-Multi-Agenten-„Cowork"-Desktop-App, die diesen Workflow lokal ausführt – richten Sie ein Team von Agenten auf eine Aufgabe wie das Überprüfen von GitHub Pull Requests aus und behalten Sie das Modell und Ihre Daten auf Ihrem eigenen Rechner. Wenn Sie ein lokales Open-Weight-Modell mit einer lokalen Agenten-Laufzeitumgebung kombinieren möchten, laden Sie Eigent herunter und beginnen Sie, Ihre eigene KI-Belegschaft aufzubauen.