美国初创 Ricursive Intelligence 开源 Ripple-65B Preview，官方称登顶美国开放权重智能体编程

2026 年 11 月 5 日——美国全栈 AI 实验室 Ricursive Intelligence 于当地时间 11 月 4 日开源 65B 参数稠密模型 Ripple-65B Preview：从零预训练 12 万亿 token，支持最长 100 万 token 上下文；官方称其在 TerminalBench 2.1 智能体编程基准取得 80.52 分，位居美国开放权重模型首位，全套研发成本 3200 万美元，权重按 Apache 2.0 协议在 HuggingFace 开放。

发布方与模型定位

Ricursive Intelligence 官网介绍其为一家全栈人工智能实验室，业务方向是通过协同优化硬件、软件与模型构建自我改进系统，核心产品是 AI 芯片设计平台。按官方说明，此次开源的 Ripple-65B Preview 是驱动其芯片设计平台的内部专有模型的通用变体，定位为通用模型，发布主题为「推动本地智能的前沿」。

模型开发团队规模较小，官方模型卡披露团队在开发期间从 1 人扩展至 5 人。训练方案从 Allen Institute for AI（AI2）Olmo 3 的模型阶梯（model ladder）出发迭代改进，官方同时致谢了 Olmo 团队、Prime Intellect、RadixArk 与 NVIDIA 的开源贡献。官方称，改进后的 Ripple v1 阶梯在 4B 规模上将代码任务的算力效率（CE）较 Olmo 3 阶梯提升最高 16 倍，且优势随规模扩大，完整主力训练（hero run）中提升至 55 倍。

TerminalBench 2.1 成绩与模型对比

官方称 Ripple-65B Preview 在 TerminalBench 2.1 基准取得 80.52 分，为美国开放权重模型中的最优成绩，超过总参数量大得多的 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）与 NVIDIA Nemotron 3 Ultra 550B（56.4）。五款对比模型均为 MoE 架构，Ripple-65B 是其中唯一的稠密模型。以下数据来自官方模型卡与发布博客，统计时间为 2026 年 11 月：

对成绩口径需要说明的是：官方模型卡将 TerminalBench 2.1 行明确标注为「自报」（self-reported），并坦言现代智能体评测的分数复现困难；在改用官方 Terminus 2 测试框架（128K 序列长度加摘要）后，除 Muse Spark Open 外各模型分数普遍下降，Ripple-65B 与 Muse Spark Open 的差距收窄至 1.8 分，表中竞品的 Terminus 2 分数为 Ricursive 自建评测流补测所得。截至发稿，该成绩尚未见第三方独立复现。

同时，官方公布的全量基准显示 Ripple-65B 并非全面领先：SWE-bench Verified 得分 76.5，低于 Beam 的 81.6；DeepSWE 1.1 得分 44.3，低于 Muse Spark Open 的 60.0；MMLU 得 89.6、SciCode 得 39.4，在五款模型中均为最低。Ripple 领先的项目为 TerminalBench 2.1 与 SWE-bench Pro v2.0 Hard（79.1）：

3200 万美元成本与训练效率

发布博客以「十分之一成本达到美国开放权重前沿」为题介绍成本优势：Ripple-65B Preview 的开发与训练总成本为 3200 万美元，官方称约为此前智能体编程最强开放权重模型的十分之一，并注明该对比值系其按公开信息自行估计。博客给出的参照是：Reflection 被报道在 SpaceX Colossus 数据中心承诺每月 1.5 亿美元算力投入，其 Beam 模型预训练与后训练各耗时 4 周；3200 万美元为 Ricursive 从零开始的全套研发成本，涵盖预训练阶梯开发、数据配比、评测、调试、合成数据生成、后训练方案开发以及最终的主力预训练与后训练。

效率层面的官方数据包括：训练全程保持 40% 的 MFU（模型算力利用率），仅用简单分片策略、不写自定义内核、不做量化（BF16）；后训练强化学习阶段以约 140 万次 rollout 达到 TerminalBench 2.1 的 80.5 分，官方称 rollout 数量约为 Reflection Beam 的七十分之一；RL 未采购外部数据，全部使用自建合成数据管线，配方采用截断重要性采样、分数中心化与线性长度惩罚。

架构设计与部署

Ripple-65B 采用「细而深」（thin-and-deep）的宽深比：hidden size 为 5120，共 80 层；注意力头数超额配置至 80 个（KV 头 8 个），滑动窗口注意力（SWA）与全局注意力层按约 4 比 1 混合、滑窗大小 1024 以对冲成本，架构从 Olmo 3 的类 Llama 结构切换为类 Gemma 3N 结构以提升大规模训练稳定性，并引入 FFN 激活截断、门控注意力、全局 NoPE 与值残差（value residuals）等技术。

得益于 65B 的总参数量，官方称该模型可运行在 NVIDIA DGX Spark 这类本地设备上；在数据中心 GPU 上，官方实测 BF16 精度、未用量化与自定义内核时，2 张 B200、batch=8 配置下生成速度达 250 token/秒。官方同时提供 NVFP4 量化权重与 Colab 入门环境。发布一天内，社区已出现多个第三方量化版本，包括 GGUF（llama.cpp 生态）与 MLX 4-bit。

开放渠道与获取方式

权重按 Apache 2.0 协议开放，HuggingFace 上共有四个官方仓库，另有多个接入平台可选：

截至发稿，官方未随本次发布放出完整技术报告，成绩数字以官方模型卡与发布博客口径为准，独立验证结果有待后续披露。