刚刚！65B 稠密打过 975B：美国开源编程自称新高

刚刚！65B 稠密打过 975B：美国开源编程自称新高图1

一句话：硅谷全栈 AI 实验室 Ricursive Intelligence，把内部给自家芯片设计平台用的模型，拆出一个通用开源权重版——Ripple-65B Preview，放到 Hugging Face 上了。

先白话对号入座：别把它想成「又一家只做聊天助手的模型创业公司」。Ricursive 的主业，是用 AI 设计芯片、再用芯片反哺 AI——官网口号就是 Recursive Self-Improvement via AI for Chip Design & Chip Design for AI。联合创始人 Anna Goldie、Azalia Mirhoseini（早前以 AlphaChip 等相关工作为人所知；TechCrunch 等报道亦如此介绍），把实验室落在硅谷，押注「更会设计的芯片」来缓解算力饥渴。

Ripple-65B Preview 是他们第一个公开的通用开源权重模型。官方写明：这是驱动自家 AI 芯片设计平台的那套专有模型的通用变体；内部专有版继续在平台里干活，公开版则给社区下载、试用、接 API。

按官网博文与 Hugging Face 模型卡核对：架构是 65B 稠密 Transformer（不是混合专家 MoE），从零预训练约 12 万亿 token；官方自称最长约 100 万上下文；在 agentic coding 榜 TerminalBench 2.1 上，官方自称美国开源权重新高 80.52，压过更大参数的 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）、NVIDIA Nemotron 3 Ultra 550B（56.4）。

项目入口（文末「相关链接」会再列一遍）：

官网博文：

https://www.ricursive.com/ripple

Hugging Face 权重：

https://huggingface.co/ricursiveAI/Ripple-65B-Preview

官方 X 主帖：

https://x.com/RicursiveAI/status/2118046765857546733

为什么值得写：开源权重故事换了剧本

刚刚！65B 稠密打过 975B：美国开源编程自称新高图2

官方宣传视频截帧：65B 相对 550B / 975B 的体量对比

过去两年开源侧常见叙事，是「更大 MoE、更多专家、更多总参数」。Ripple 这次反过来讲：选稠密、控体量、把钱砸在配方与强化学习效率上，然后拿 agentic coding 榜去碰一串体量大得多的美国开源模型。

官网散点图把 Ripple 标在约 65B、分数 80.52，并画了一条「相对更大模型约 15 倍更小」的标注。宣传视频里也用色块把 65B、550B、975B 摆在一起——视觉上就是在说：能本地侧跑的体量，去碰近千 B 的开源选手。

刚刚！65B 稠密打过 975B：美国开源编程自称新高图3

官网图：Terminal-Bench 2.1 分数 vs 参数量（Ripple 标蓝）

当然，这是官方自评叙事。模型卡自己也承认：现代 agentic 评测复现很难，harness、序列长度、是否摘要等因素会让分数整体漂移；他们用官方 Terminus 2 等设定重跑时，部分竞品分数会变。读榜时把 80.52 当成「官方自称的美国开源权重新高」，比当成「盖棺定论的永恒第一」更稳。

成本：全研发约 3200 万美元，不是只算最后一跑

刚刚！65B 稠密打过 975B：美国开源编程自称新高图4

官方宣传帧：相对开源基线的代码算力效率曲线

官网写得很直白：开发和训练 Ripple-65B Preview 的全研发成本约 3200 万美元（$32M）。重点在「全」：从零算起，包括 pretraining ladder、数据混合、评测、调试、合成数据生成、后训练配方开发，以及最终 hero 预训练与后训练——不是只报最后一次大跑的卡时账单。

他们自称，这大约是此前 agentic coding 开源 SOTA 成本的约 1/10。脚注里拿 Reflection 等公开算力投入做粗估（例如报道中的月度算力承诺、Beam 预训练/后训练各约四周等），读者可自行掂量，不必照单全收。

后训练侧，他们强调没买外部 post-training 数据，而是自建合成数据管线、质量过滤与覆盖度指标；混合 RL 配方里用到截断重要性采样、分数中心化、线性长度惩罚等，并随模型变强不断加难任务。结果叙事是：从较强的 SFT 起点陡爬，约 140 万次 rollout 达到 TerminalBench 约 80.5，并自称约为此前 SOTA Reflection Beam 所需 rollout 的约 1/70。

预训练配方则从 Allen AI 的 Olmo 3 model ladder 起步，一路试 batch/学习率缩放、结构维度平滑缩放、pre+post norm、sigmoid gated attention、global NoPE、value residuals，以及最终切到更偏代码上采样的自建语料。官网称：最终 Ripple ladder 在代码相关 CE 上，相对 Olmo 3 ladder 可到约 16 倍算力效率提升（小规模测得），并宣称随规模放大优势还会更大。白话：同样要把代码能力往上推，他们想少烧很多算力。

架构：稠密、瘦高，为了在 NVIDIA 上好训好服

为什么不跟风做 MoE？官网答案很工程师：第一优先是让设计决策降低预训练和后训练的基础设施复杂度，同时仍能保住推理与 agentic 表现——所以选了现代化稠密 Transformer，而不是专家路由。他们称这条路很快兑现：小团队从约 1 人扩到约 5 人规模也能从零训起来，全程 MFU 约 40%，简单 sharding、无定制 kernel、未量化（BF16）也能撑住。

• Thin-and-deep：较窄的 d_model=5120，一共 80 层；

• 注意力头数偏多，并提高 SWA 相对 global 层比例、缩小 SWA 窗口，用结构换推理能力与成本平衡；

• 额外改动包括 FFN activation clipping、gated attention、global NoPE、value residuals 等；

• 模型卡还提到从偏 Llama 风的 Olmo 3 基线，切到更接近 Gemma 3N 风格的结构以提升大规模训练稳定性。

体量叙事对应落地：官方点名可在 NVIDIA DGX Spark 等「算力高、带宽相对数据中心更紧」的本机侧设备上高效跑；数据中心侧则称在 2×B200、batch=8、尚未量化/定制 kernel 前，生成速度可到约 250 tok/s。为鼓励本地玩，HF 还提供 NVFP4 量化权重与 Colab 起步材料。

分发面：已上 Hugging Face、Together AI、GMI Cloud、OpenRouter；官方称 Fireworks 当天稍后上线。HF 仓库除指令微调 BF16 外，另有 Base Preview、NVFP4 等变体（另有 DFlash2 等实验仓库，兴趣向读者可自行点开）。

上下文务必分清：官网约 1M ≠ OpenRouter 现货 16K

这是本稿最容易误导读者的点，必须写死：官网与 HF 模型卡宣称支持最长约 1M 上下文；训练流水线里也有长上下文阶段（模型卡表格可见 midtrain / long context / LC SFT 等，序列长度可到很大）。但你今天去哪家平台调用，窗口以那家上架配置为准。

截至本稿核对：OpenRouter 模型页显示上下文约为 16K（16384），定价约输入 $0.20 / 输出 $0.60 每百万 token（页面显示由 GMI Cloud 提供，并支持 tool calling）。Together 模型页文案写着 Dense open-weight、宣传 1M context，但页面仍偏「即将上线 / Notify me」状态。

别把「官方宣称最长约 1M」直接翻译成「你现在在 OpenRouter 上就能吃满一百万上下文」。能力上限是一回事，托管窗口是另一回事；写进产品规划前，先看平台页。

OpenRouter 模型页：

https://openrouter.ai/ricursiveai/ripple-65b-preview

Together 模型页：

https://www.together.ai/models/ripple-65b-preview

芯片交叉点：模型不是副产品，是平台的发动机

刚刚！65B 稠密打过 975B：美国开源编程自称新高图5

官方宣传帧：模型服务自家 AI 芯片设计平台

宣传片把两件事并列：一是模型与硬件协同设计；二是用模型驱动自家 AI 芯片设计平台，更快做出更强芯片。这解释了他们为什么愿意把通用权重开出去——公开版负责社区与生态声量，专有版继续在闭环里迭代芯片。

对中文读者，这也是选题交叉：一边是开源权重与 agentic coding 榜，一边是「AI 设计芯片」的产业故事。读 Ripple，不只是看 80.52 这个数字，还要看一家芯片向实验室，为什么坚持稠密、为什么强调本地可跑、为什么把成本账算得这么细。

机智流怎么看

若官方榜与成本叙事经得起第三方复现：65B 稠密在 TerminalBench 这条线上压过一串更大美国开源 MoE，会冲击「参数焦虑」——至少说明体量和专家路由不是 agentic coding 的唯一解。

若你更关心能不能用：优先看 HF 权重与 NVFP4/本机路径，再核对 Together / OpenRouter / GMI 的真实窗口、排队与价格；上下文以平台配置为准，官网 1M 是能力宣称，不是每家 API 的现货。

最后留一句冷水：agentic 评测方差大，换 harness 就可能换排名。把这篇当「开源权重 + 芯片实验室」交叉快报读，比当「从此 65B 通吃一切编程智能体」读，更不容易踩坑。

注：事实依据 Ricursive 官网博文《Introducing Ripple-65B Preview…》、Hugging Face 模型卡 ricursiveAI/Ripple-65B-Preview（及 Base / NVFP4 变体页）、@RicursiveAI 官方主帖（含宣传视频）、OpenRouter 与 Together 模型页；创始人背景参考 TechCrunch 等公开报道。基准与成本数字以官网/模型卡自称为准；OpenRouter 上下文以本稿核对时页面显示约 16K 为准。