Суть прорыва: эффективность против масштаба
Ricursive Intelligence выпустила Ripple-65B Preview — модель с плотной архитектурой (65B активных параметров), обученную с нуля на 12 триллионах токенов. Главная интрига релиза: при размере в 15 раз меньше, чем у ключевых MoE-конкурентов (501B–975B параметров), Ripple-65B демонстрирует результаты уровня frontier-моделей в задачах агентного программирования. Стоимость полного цикла R&D составила всего $32 млн, что в 10 раз дешевле предыдущего лидера open-weight сегмента.
Архитектура и инфраструктура
В отличие от индустриального тренда на Mixture-of-Experts, Ricursive выбрала плотный Transformer для упрощения инфраструктуры. Модель использует 80 слоев с d_model=5120, скользящее окно (sliding window) и gated attention. Это позволило достичь 40% MFU (Model FLOPs Utilization) без кастомных ядер. Модель поддерживает контекст до 1 млн токенов и доступна в трех чекпоинтах: BF16 (инструкция), BF16 (base) и экспериментальный NVFP4 для локальных устройств типа NVIDIA DGX Spark.
Бенчмарки: где Ripple побеждает, а где уступает
Модель показала рекордные 80.52 балла в Terminal-Bench 2.1, обогнав даже более крупные модели. Однако в задачах, требующих глубоких научных знаний, плотная архитектура проигрывает гибридным решениям. Ниже приведено сравнение ключевых метрик, представленных разработчиками.
| Метрика / Модель | Ripple-65B Preview | Reflection Beam (501B) | Meta Muse Spark Open (816B) | Thinking Machines Inkling (975B) |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 80.5 (Лидер) | 80.1 | 76.4 | 63.8 |
| SWE-bench Pro v2.0 Hard | 79.1 (Лидер) | — | — | — |
| SWE-bench Verified | 76.5 | 80.9 | — | 77.6 |
| GPQA Diamond | 85.2 | — | 89.0 | 87.2 |
| SciCode (Наука) | 39.4 (Слабое место) | — | — | — |
Обучение и RL: 70x экономия на rollout'ах
Ricursive достигла высоких результатов за счет оптимизированного RL-конвейера. Модель обучалась на 1.4 млн rollout'ов, что в ~70 раз меньше, чем у Beam (100M+ rollout'ов). Использовались truncated importance sampling, score centering и линейный штраф за длину. Данные для пост-обучения генерировались синтетически, без покупки внешних датасетов.
Где запустить?
Веса доступны под лицензией Apache 2.0 на Hugging Face. На старте поддерживаются Together AI, GMI Cloud и OpenRouter. Для локального запуска оптимизирована версия NVFP4, способная работать на аппаратном обеспечении уровня NVIDIA DGX Spark. На серверных GPU (2x B200) модель выдает 250 токенов в секунду при батче 8.
Бенчмарки
| Бенчмарк | Ripple-65B Preview | Meta Muse Spark Open | NVIDIA Nemotron 3 Ultra | Reflection Beam | Thinking Machines Inkling |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 80.5% | 76.4% | — | 80.1% | 63.8% |
| SWE-bench Verified | 76.5% | — | 70.7% | 80.9% | 77.6% |
| GPQA Diamond | 85.2% | 89% | 87% | — | 87.2% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗