Was ist Ripple-65B Preview?
Ripple-65B Preview ist das erste öffentliche Modell von Ricursive Intelligence, dem Chipdesign-Labor aus Palo Alto, gegründet von Anna Goldie und Azalia Mirhoseini, den früheren Google-Forscherinnen hinter AlphaChip. Es hat nichts mit Recursive zu tun, dem Londoner Labor von Richard Socher, das Flint entwickelt. Das Modell erschien am 4. November 2026 unter Apache 2.0. Es ist ein dichter Transformer mit 64,8 Milliarden Parametern, von Grund auf mit 12 Billionen Tokens aus überwiegend englischem Text und Code vortrainiert, mit einem angegebenen Kontext von bis zu 1M Tokens. Ricursive nennt es eine allgemeine Variante des proprietären Modells hinter seiner Chipdesign-Plattform.
Die Architektur ist schmal und tief: 80 Schichten bei einer Modellbreite von 5.120, 80 Attention-Heads und vier Sliding-Window-Schichten (Fenster von 1.024 Tokens) auf jede Schicht mit voller Attention. Das Post-Training war bewusst leicht und auf agentisches Programmieren ausgerichtet. Laut Ricursive kostete das gesamte Projekt, von den Skalierungsexperimenten bis zum finalen Lauf, 32 Millionen Dollar ($32 million), und ein Team aus einer bis fünf Personen hat es trainiert.
Auf Hugging Face liegen vier Checkpoints: das BF16-Instruct-Modell, ein experimentelles NVFP4-Build, das BF16-Basismodell und ein DFlash2-Draft-Modell für spekulatives Decoding. Auf OpenRouter stellt GMICloud es in BF16 für $0.20 pro Million Eingabe-Tokens und $0.60 pro Million Ausgabe-Tokens bereit.
Lohnt sich Ripple-65B Preview?
Für seine Größe ist der Anspruch von Ripple-65B Preview ungewöhnlich: In Ricursives eigener Tabelle erreicht es 80.5 auf Terminal-Bench 2.1, vor Reflection Beam (501B, 80.1), Muse Spark Open (816B, 76.4), Inkling (975B, 63.8) und Nemotron 3 Ultra (550B, 56.4). Mit dem offiziellen Terminus-2-Harness wiederholt, hält Ripple 80.5, während Beam auf 70.8 fällt, und auf SWE-bench Pro v2.0 Hard erzielt es 79.1 gegenüber 76.5 für Beam. Bis zum 5. November 2026 hatte kein unabhängiges Labor etwas davon nachgestellt; Artificial Analysis führte keinen Eintrag.
Wer die ganze Tabelle liest, sieht den Vorsprung schrumpfen. Ripple führt in drei der 22 Instruct-Zeilen, alle zum agentischen Programmieren. Es liegt hinter Beam bei SWE-bench Verified (76.5 gegenüber 81.6), SWE-bench Pro v1.0 (61.42 gegenüber 66.1) und MCP Atlas (71.67 gegenüber 80.8) und hinter Muse Spark Open bei DeepSWE 1.1 (44.3 gegenüber 60.0). Viele Werte der Konkurrenz sind interne Läufe von Ricursive, kursiv markiert, darunter Inklings 2.0 auf SWE-bench Pro v2.0 Hard, eine Zahl, die eher nach einem defekten Harness als nach einem schwachen Modell aussieht. Die Modellkarte selbst nennt den Vergleich einen Best-Effort-Versuch und schreibt, dass agentische Werte schwer zu reproduzieren sind.
Das Basismodell zeigt, wovon das leichte Post-Training ausgeht. Ricursives eigene Läufe sehen es bei 83.7 auf MMLU und 70.9 auf HumanEval, unter den 89.1 und 83.8 von Nemotron 3 Ultra, und bei 10.1 auf SimpleQA-Verified, es behält also wenig Faktenwissen. Ricursive führt Nemotrons Vorsprung auf synthetische Daten zurück, doch praktisch heißt das: Ripples Stärke liegt in Programmierschleifen, nicht im Allgemeinwissen.
Die Dichte ist der eigentliche Kompromiss. Jedes Token durchläuft alle 64,8 Milliarden Parameter, während Beam 23 Milliarden aktiviert. Die BF16-Gewichte belegen daher etwa 130 GB, und Ricursives Server-Rezept braucht zwei B200, mit 250 Tokens pro Sekunde bei einer Batchgröße von 8. Das experimentelle NVFP4-Build umfasst 57.2 GB und zielt auf einen DGX Spark mit 128 GB, doch sein Skript legt den Kontext auf 131.072 Tokens fest, ein Achtel der beworbenen 1M. Für ein Team, das sich zwei Rechenzentrums-GPUs leisten kann und Apache-2.0-Bedingungen will, ist Ripple das kleinste Modell in diesem Leistungsbereich; auf eine einzelne Workstation-Karte passt es überhaupt nicht.
Wo es sich lohnt
Ein Plattform-Engineer in einem Softwareunternehmen mit 300 Mitarbeitenden und einem Paar B200
Ein Coding-Agent-Modell intern bereitstellen, damit Quellcode nie das Netzwerk verlässt
Starte Ricursives serve.py mit SGLang 0.5.19 auf zwei B200 und richte das Agenten-Harness auf den lokalen Endpunkt; die README empfiehlt 8 gleichzeitige Anfragen pro Replik, ein zweites GPU-Paar ergibt eine zweite Replik. Die Modelllizenz kostet unter Apache 2.0 nichts.
Eine Engineering-Managerin, die gehostete Modelle für den Coding-Agenten eines Teams mit 25 Entwicklern vergleicht
Die Kosten pro Token bei langen Terminal-Sitzungen senken
Bei $0.20 pro Million Eingabe- und $0.60 pro Million Ausgabe-Tokens auf OpenRouter kosten 100 Millionen Eingabe- und 10 Millionen Ausgabe-Tokens im Monat etwa $26. Teste es zuerst mit den echten Tickets des Teams: Die Spitzenwerte sind selbst gemeldet, und der einzige gelistete Host ist GMICloud.
Ein ML-Forscher an einem Universitätslabor, der Post-Training untersucht
Reinforcement-Learning-Experimente von einem starken Basismodell mit freizügiger Lizenz aus starten
Der BF16-Basis-Checkpoint ist reines Pretraining, ohne Midtraining oder synthetische Frage-Antwort-Daten, und steht unter Apache 2.0, sodass Ergebnisse veröffentlicht und die Gewichte weitergegeben werden dürfen. Ricursive dokumentiert jede Trainingsphase, von 12 Billionen Pretraining-Tokens bis zu 700 RL-Schritten.
Bevor du dich festlegst
- Einrichtung
- Für Server lädst du die BF16-Gewichte und den DFlash2-Draft herunter und startest serve.py mit uv auf zwei B200 unter Linux und CUDA 13; es lauscht auf Port 30000 mit einem Kontext von 1.048.576 Tokens. Das Laden mit Transformers erfordert trust_remote_code, weil das Modell sein eigenes modeling_ricursive.py nutzt.
- Integrationen
- Chat im OpenAI-Stil, wobei das Reasoning in reasoning_content und strukturierte tool_calls über Ricursives ripple-Parser in SGLang zurückkommen. OpenRouter akzeptiert tools, tool_choice und response_format. Es gibt keinen Schalter zum Ein- und Ausschalten des Denkens und keine Einstellung für den Reasoning-Aufwand.
- Daten und Datenschutz
- Apache 2.0 für alle vier Checkpoints, ohne Umsatzgrenze oder Nutzungsbeschränkungen über die Lizenz hinaus. Selbst gehostete Prompts bleiben auf deiner Hardware; für das gehostete Angebot gelten die Bedingungen von GMICloud, und OpenRouter bietet dafür kein Routing innerhalb der EU.
- Kosten im großen Maßstab
- Die BF16-Gewichte belegen nach unserer Rechnung aus den 64,8 Milliarden Parametern etwa 130 GB, plane also zwei B200 ein; OrcaRouter schätzt dieses Paar auf etwa $4,800 im Monat. Die NVFP4-Dateien umfassen 57.2 GB für einen DGX Spark mit 128 GB. Gehostet kosten 1 Milliarde Eingabe- und 100 Millionen Ausgabe-Tokens im Monat etwa $260 zum GMICloud-Preis auf OpenRouter.
- Grenzen
- Preview-Version mit leichtem Post-Training; geringes Faktenwissen (10.1 auf SimpleQA-Verified für das Basismodell). Das DGX-Spark-Skript bearbeitet jeweils eine Anfrage mit 131.072 Tokens Kontext und ohne HTTP-Server, laut einer Besprechung der Datei auf DEV Community. Die README warnt, dass nicht strikte Tool-Aufrufe zusätzliche Argumentfelder enthalten können.
Was gut ist
- 80.5 auf Terminal-Bench 2.1, gleichauf mit bis zu 15-mal größeren Modellen (selbst gemeldet)
- Gewichte unter Apache 2.0, einschließlich Basismodell
- 1M Tokens Kontext mit Ricursives Server-Rezept auf zwei B200
- Günstiger gehosteter Zugang für $0.20 / $0.60 pro 1M Tokens
Was nicht
- Noch keine unabhängigen Benchmark-Ergebnisse
- Liegt bei SWE-bench Verified, SWE-bench Pro v1.0 und MCP Atlas hinter Reflection Beam
- BF16 braucht etwa 130 GB; das DGX-Spark-Skript endet bei 131.072 Tokens
- Erfordert trust_remote_code und Ricursives eigene SGLang-Parser
Am besten für
Plattform-Teams mit zwei B200 oder einem DGX Spark, die ein Coding-Agent-Modell unter Apache 2.0 selbst hosten und feintunen wollen.
Alternativen zu Ripple-65B Preview
Ripple-65B Preview: häufige Fragen
- Lohnt sich Ripple-65B Preview?
- Ripple-65B belegt glaubwürdig, dass ein dichtes 65B-Modell beim agentischen Programmieren mit offenen US-Modellen mithalten kann, die acht- bis fünfzehnmal so groß sind, doch bisher stammt jeder Wert von Ricursive selbst. Wir bewerten es mit 3.9 von 5.
- Was kostet Ripple-65B Preview?
- Kostenlose offene Gewichte unter Apache 2.0. Gehostet auf OpenRouter (GMICloud) für $0.20 pro 1M Eingabe-Tokens und $0.60 pro 1M Ausgabe-Tokens.
- Welche Nachteile hat Ripple-65B Preview?
- Noch keine unabhängigen Benchmark-Ergebnisse; Liegt bei SWE-bench Verified, SWE-bench Pro v1.0 und MCP Atlas hinter Reflection Beam; BF16 braucht etwa 130 GB; das DGX-Spark-Skript endet bei 131.072 Tokens; Erfordert trust_remote_code und Ricursives eigene SGLang-Parser.
- Für wen eignet sich Ripple-65B Preview?
- Plattform-Teams mit zwei B200 oder einem DGX Spark, die ein Coding-Agent-Modell unter Apache 2.0 selbst hosten und feintunen wollen.
- Was kostet Ripple-65B Preview für ein Team oder im Produktivbetrieb?
- Die BF16-Gewichte belegen nach unserer Rechnung aus den 64,8 Milliarden Parametern etwa 130 GB, plane also zwei B200 ein; OrcaRouter schätzt dieses Paar auf etwa $4,800 im Monat. Die NVFP4-Dateien umfassen 57.2 GB für einen DGX Spark mit 128 GB. Gehostet kosten 1 Milliarde Eingabe- und 100 Millionen Ausgabe-Tokens im Monat etwa $260 zum GMICloud-Preis auf OpenRouter.
- Ist Ripple-65B Preview sicher für Firmendaten?
- Apache 2.0 für alle vier Checkpoints, ohne Umsatzgrenze oder Nutzungsbeschränkungen über die Lizenz hinaus. Selbst gehostete Prompts bleiben auf deiner Hardware; für das gehostete Angebot gelten die Bedingungen von GMICloud, und OpenRouter bietet dafür kein Routing innerhalb der EU.
- Was sind die besten Alternativen zu Ripple-65B Preview?
- Die nächsten Alternativen, die wir getestet haben, sind Beam, Muse Spark Open, Flint und DeepSeek-V4.1-Flash.
Antworten geprüft am 5. Nov. 2026.