Czym jest Ripple-65B Preview? Model open-source 65B, który pokonuje większych rywali

Ricursive Intelligence wydało Ripple-65B Preview 4 listopada 2026 roku — gęsty model open-weight o 65 miliardach parametrów, który mimo swojego rozmiaru osiąga najwyższy samodzielnie zgłoszony wynik w agentycznym kodowaniu wśród amerykańskich modeli open-weight. Pokonuje modele wielokrotnie większe w kluczowych testach, jest dostępny na licencji Apache 2.0 i mieści się na jednej maszynie. Oto czym naprawdę jest Ripple-65B Preview, jak wypada w benchmarkach i jakie zastrzeżenia warto znać, zanim zaufasz nagłówkowi.

Czym jest Ripple-65B Preview?

Ripple-65B Preview to gęsty Transformer (dense Transformer) o 65 miliardach parametrów, wytrenowany od podstaw na 12 bilionach tokenów, z obsługą kontekstu do 1 miliona tokenów. Jest wydany na permisywnej licencji Apache 2.0, a wagi można pobrać i uruchomić samodzielnie.

Model pochodzi od Ricursive Intelligence — startupu z Palo Alto, bardziej znane z projektowania chipów AI niż z czołowych modeli językowych. Ripple to wariant ogólnego przeznaczenia zastrzeżonego modelu, który napędza platformę do projektowania chipów Ricursive — teraz udostępniony wszystkim jako wydanie open-weight. Na czele projektu stoją współzałożyciele Anna Goldie i Azalia Mirhoseini, którzy pracowali nad AlphaChip w Google, a premierę publicznie pogratulował Jeff Dean z Google.

Etykieta „Preview" ma znaczenie. Według samego Ricursive wydanie przeszło stosunkowo lekki post-training skupiony na agentycznym kodowaniu, więc jest to wczesny checkpoint, a nie gotowy produkt.

Benchmarki Ripple-65B Preview

Główne twierdzenie to 80,52 punktu w Terminal-Bench 2.1 — benchmarku mierzącym, jak dobrze model pisze i wykonuje kod w terminalu. Na karcie modelu Ricursive ten wynik prowadzi wśród porównywanych amerykańskich modeli open-weight:

Dwie rzeczy rzucają się w oczy. Po pierwsze, każdy rywal w tej tabeli to model Mixture-of-Experts (MoE) z znacznie większą łączną liczbą parametrów — Ripple jest gęsty i znacznie mniejszy, a mimo to wyprzedza je w Terminal-Bench 2.1 i SWE-bench Pro v2.0 Hard. Po drugie, obraz nie jest jednoznaczny: Reflection Beam nadal prowadzi w SWE-bench Verified, Muse Spark Open wygrywa DeepSWE 1.1, a większe modele mają niewielką przewagę w wiedzy ogólnej (MMLU) i niektórych zadaniach matematycznych.

Innymi słowy, Ripple jest najsilniejszy dokładnie tam, gdzie był dostrajany — w agentycznym kodowaniu — a w pozostałych obszarach jest jedynie konkurencyjny.

Dlaczego mały gęsty model może pokonać większe

Ricursive postawiło na świadomy zakład architektoniczny. Zamiast projektów MoE, których używa większość laboratoriów, wytrenowało zmodernizowany gęsty Transformer, aby uprościć infrastrukturę trenowania i wdrażania. Model ma kształt „wąski i głęboki" — wąski d_model wynoszący 5 120 na 80 warstwach — oraz architekturę wzorowaną na Gemma-3N, wybraną ze względu na stabilność trenowania w dużej skali.

Prawdziwym nagłówkiem jest historia efektywności. Ricursive szacuje łączny koszt badań i rozwoju na około 32 miliony dolarów, co według firmy stanowi około jedną dziesiątą kosztu poprzedniego lidera open-weight w agentycznym kodowaniu. Firma podaje również, że osiągnęła swój wynik w Terminal-Bench przy 1,4 miliona rolloutów RL — około 70 razy mniej niż użył Reflection Beam. W stosunku do własnego punktu odniesienia Olmo 3, Ricursive raportuje 16-krotny wzrost efektywności obliczeniowej w kodowaniu, rosnący do 55-krotnego w pełnej skali.

Liczby te pochodzą od Ricursive, a nie od niezależnego laboratorium, więc traktuj je jako samodzielnie zgłoszone dane dostawcy, dopóki nie zostaną potwierdzone przez strony trzecie.

Czy można uruchomić Ripple-65B Preview lokalnie?

Tak — i to jest w dużej mierze sedno sprawy. Przy 65 miliardach parametrów Ripple jest wystarczająco mały, aby zmieścić się na sprzęcie klasy konsumenckiej, takim jak NVIDIA DGX Spark, a Ricursive pozycjonuje go do lokalnego tworzenia oprogramowania. Wydano trzy checkpointy: model BF16 dostrojony do instrukcji, skwantyzowaną wersję NVFP4 oraz bazowy model BF16, a także notatnik Colab do szybkiego startu.

Na procesorach graficznych klasy datacenter Ricursive raportuje około 250 tokenów na sekundę na 2xB200 przy rozmiarze wsadu 8, przed jakąkolwiek kwantyzacją lub niestandardowymi jądrami.

Wagi i dostęp przez API możesz uzyskać z:

• Hugging Face — ricursiveAI/Ripple-65B-Preview (wagi Apache 2.0)
• Partnerzy API — Together AI, GMI Cloud i OpenRouter, z Fireworks wymienionym jako uruchamiającym się w dniu premiery

Jak trzyma się twierdzenie o „US open-weight SOTA"

Twierdzenie jest prawdziwe, ale wąskie. „Najnowocześniejszy wśród amerykańskich modeli open-weight" wyklucza modele zamknięte i modele open-source spoza USA, więc nie jest to stwierdzenie, że Ripple jest najlepszym modelem — ani nawet najlepszym modelem open-source — ogólnie. Niezależne relacje odnotowały, że Ripple ustępuje niektórym większym modelom open-source w innych benchmarkach.

Kilka szczerych zastrzeżeń:

• Samodzielnie zgłoszone. Wyniki nagłówkowe pochodzą od samego Ricursive; Ricursive samo zauważa, że wyniki w ewaluacjach agentycznych bardzo się zmieniają w zależności od użytego narzędzia i ustawień.
• Preview, nie wersja finalna. Lekki post-training oznacza, że zachowanie może się zmienić w późniejszych wydaniach.
• Ograniczone twierdzenie. Twierdzenie o przywództwie dotyczy konkretnie amerykańskich modeli open-weight w agentycznym kodowaniu, a nie ogólnego rankingu.

Żadne z tych zastrzeżeń nie przekreśla osiągnięcia — gęsty model 65B dorównujący lub pokonujący rywali o rozmiarach od 500B do 975B w trudnych zadaniach kodowania to prawdziwy wynik. Oznacza to jedynie, że sformułowanie zasługuje na taką samą weryfikację jak każdy benchmark z dnia premiery.

Ripple-65B Preview vs Reflection Beam i Muse Spark Open

Jeśli wybierasz spośród najnowszych modeli open-weight do kodowania, kompromis dotyczy głównie rozmiaru kontra szerokości zastosowań:

• Ripple-65B Preview — najmniejszy i najtańszy w uruchomieniu; najlepszy w Terminal-Bench 2.1 i SWE-bench Pro v2.0 Hard; gęsty i łatwy do lokalnego wdrożenia.
• Reflection Beam (501B) — silniejszy w SWE-bench Verified; znacznie większy MoE, cięższy do hostowania.
• Muse Spark Open (816B) — wygrywa DeepSWE 1.1 i MCP Atlas; większe wydanie Meta z szerokim pokryciem.

Dla zespołów, które chcą lokalnie wdrożyć model do kodowania i mogą zaakceptować dojrzałość „Preview", Ripple jest najciekawszą nową opcją. Dla maksymalnej szerokości pokrycia w ewaluacjach kodowania, większe modele nadal mają przewagę w niektórych obszarach.

Uruchom modele open-source we własnej siły roboczej AI

Ripple-65B Preview jest zbudowany dokładnie do tego rodzaju pracy, którą agenty wykonują przez cały dzień: czytania repozytorium, pisania kodu i wykonywania poleceń w terminalu. Eigent to open-source'owa wieloagentowa aplikacja desktopowa „Cowork", która uruchamia ten przepływ pracy lokalnie — skieruj zespół agentów na zadanie takie jak przeglądanie pull requestów GitHub i zachowaj model oraz swoje dane na własnej maszynie. Jeśli chcesz połączyć lokalny model open-weight z lokalnym środowiskiem uruchomieniowym agentów, pobierz Eigent i zacznij budować własną siłę roboczą AI.