Новый стандарт агентного кодинга
Компания Ricursive Intelligence выпустила Ripple-65B Preview — модель общего назначения с открытыми весами, специально оптимизированную для задач агентного программирования. Архитектура dense-модели (без MoE) позволяет достигать высокой скорости генерации токенов при низкой задержке, что критично для работы в локальных средах, таких как NVIDIA DGX Spark.
Ключевая метрика успеха — результат на бенчмарке TerminalBench 2.1. Ripple-65B достигла показателя 80.52, установив новый рекорд (SOTA) среди моделей с открытыми весами в США. Это позволяет ей эффективно решать сложные задачи по написанию и отладке кода в терминале.
Сравнение с лидерами рынка
Несмотря на скромное количество параметров (65B), Ripple-65B значительно превосходит более крупные модели от ведущих технологических гигантов. Ниже приведено сравнение результатов на TerminalBench 2.1:
| Модель | Параметры | Результат (TerminalBench 2.1) |
|---|---|---|
| Ripple-65B Preview (Ricursive) | 65B | 80.52 |
| Reflection Beam 501B | 501B | 80.1 |
| Meta Muse Spark Open | 816B | 76.4 |
| Thinking Machines Inkling | 975B | 63.8 |
| NVIDIA Nemotron 3 Ultra | 550B | 56.4 |
Экономия и эффективность обучения
Главное достижение Ricursive — не только качество, но и колоссальная экономия. Полная стоимость разработки и обучения модели с нуля составила $32 млн. Это примерно в 10 раз дешевле, чем предыдущий лидер рынка, и в сотни раз дешевле затрат на обучение моделей уровня GPT-4 или Grok, которые могут достигать сотен миллионов долларов.
Модель предварительно обучена на 12 триллионах токенов с поддержкой контекстного окна до 1 миллиона токенов. Особое внимание уделено алгоритму обучения с подкреплением (RL): использовалась техника «steep ascent» с 1.4 млн роутов (rollouts), что в 70 раз меньше, чем у модели Reflection Beam, при этом достигнут более высокий результат.
Технические инновации
Архитектура Ripple-65B спроектирована для эффективной работы на оборудовании NVIDIA. Ключевые особенности:
- Тонкая и глубокая структура: d_model = 5120, 80 слоев.
- Оптимизация внимания: увеличено количество голов внимания, изменено соотношение локального (SWA) и глобального внимания.
- Технические улучшения: внедрены FFN activation clipping, gated attention, global NoPE и value residuals.
- MFU (Model FLOPs Utilization): стабильно держится на уровне 40% без использования кастомных ядер или квантования.
Модель доступна на платформах Hugging Face, Together AI, GMI Cloud, OpenRouter и Fireworks.
Бенчмарки
| Бенчмарк | Ripple-65B Preview | Meta Muse Spark Open 816B | Reflection Beam 501B | Thinking Machines Inkling 975B |
|---|---|---|---|---|
| TerminalBench 2.1 | 80.52% | 76.4% | 80.1% | 63.8% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: Ricursive ↗