Ripple-65B: dense nyílt modell nagy MoE-k ellen

Mit adott ki a Ricursive?

A Ricursive Intelligence a Hugging Face-en közzétette a Ripple-65B Preview-t Apache 2.0 licenccel. Ez egy 65 milliárd paraméteres dense Transformer, 1 048 576 tokenes kontextussal. A csomagban van egy instruction-tuned modell BF16-ban és NVFP4-ben, illetve egy BF16 base modell.

A modellt 12 billió tokenen tanították nulláról, túlnyomóan angol szövegen és kódon. A csapat a fejlesztés alatt egy főről öt főre nőtt.

Miért nem MoE?

A legtöbb nagy open-weight modell ma Mixture-of-Experts. A Ricursive tudatosan dense modellt épített, hogy egyszerűbb legyen a tanítási infrastruktúra: egyszerű sharding, custom kernelek és kvantálás nélkül, BF16-ban. Így végig kb. 40%-os MFU-t tartottak pretrain és posttrain alatt is.

Az architektúra vékony és mély: 5120-as d_model, 80 réteg. Olmo 3 alapról indultak, majd Gemma 3N-szerű felépítésre váltottak a stabilitás miatt. Gated attentiont, global NoPE-t, value residualt és FFN activation clippinget is beépítettek. A Ricursive szerint kódon 16-szoros compute-hatékonyságot értek el az Olmo 3 ladderhez képest, a teljes futásnál ez 55-szörösre nőtt.

Mit mutatnak a számok?

Terminal-Bench 2.1-en a Ripple-65B 80,5 pontot ért el. A modellkártya szerint ez több, mint a Reflection Beam 501B (80,1), a Muse Spark Open 816B (76,4), az Inkling 975B (63,8) vagy a Nemotron 3 Ultra 550B (56,4) saját közölt eredménye.

További számok: SWE-bench Verified 76,5, SWE-bench Pro v2.0 Hard 79,1, GPQA Diamond 85,2, AIME 2026 95,0, AA-LCR 75,0. Nem mindenhol nyer. SciCode-on 39,4 pontot ért el, a Muse Spark Open 58,5-öt. MCP Atlason 71,7 áll szemben 89,2-vel.

Minden szám saját mérés. A hiányzó értékeket a cég belső eval flow-val pótolta. Ők maguk írják, hogy az agentic evalok nehezen reprodukálhatók, mert sok tényező tolja el a pontokat. Független értékelés és paper egyelőre nincs.

Hol fut?

A 65B méret elfér egy NVIDIA DGX Sparkon, ehhez NVFP4 checkpointot és Colab notebookot is adtak. Datacenterben 2xB200-on, batch 8 mellett kvantálás nélkül 250 token/s-ot mértek. Közösségi GGUF változat is megjelent llama.cpp-hez.

Mit jelent ez a gyakorlatban?

Ha lokális agentic coding modellt keresel, a Ripple-65B érdekes alternatíva a több száz milliárdos MoE-k mellett: egyetlen dense modellt egyszerűbb kiszolgálni, nincs expert routing. A Muse Spark Open, amelyet korábban megírtunk, két Mac Studiót kér: Muse Spark Open: a Meta nyílt súlyú modellje Macen is fut.

Preview kiadásról van szó, a posttrain a cég szerint még könnyű. Saját feladatokon érdemes tesztelni, mielőtt bármit cserélnél.