Ripple-65B Preview: Apache-2.0-Gewichte, eine 1M-Token-Behauptung und eine 16K-API

Ripple-65B Preview, veröffentlicht von Ricursive Intelligence am 4. November 2026, ist je nachdem, wie man darauf zugreift, zwei verschiedene Produkte. Der Download umfasst 129,6 GB Apache-2.0-Gewichte, deren Modellkarte einen Kontext von „bis zu 1M“ Tokens bewirbt. Der erste kommerzielle Endpunkt mit demselben Checkpoint bewirbt 16.384. Beide Zahlen beschreiben dasselbe Modell, und der Abstand zwischen ihnen ist das Nützlichste, was ein Entwickler über dieses Release wissen kann, bevor er einen Tag darauf verwendet.

Die Schlagzeile des Labors ist enger gefasst, als der Launch-Post sie klingen lässt, und interessanter, als es die bisherige Berichterstattung bemerkt hat. Ricursive beansprucht einen US-amerikanischen Open-Weight-State-of-the-Art beim agentischen Coding – 80,52 auf Terminal-Bench 2.1 – von einem 65B dichten Modell, das Berichten zufolge für 32 Mio. US-Dollar trainiert wurde. Das ist eine echte Behauptung über ein echtes Artefakt: Die Gewichte sind herunterladbar, ohne Zugangsbeschränkung und für die kommerzielle Nutzung lizenziert, ohne ausgehandelte Vereinbarung. Zudem stammt sie mit Stand 5. November ausschließlich vom Anbieter. Artificial Analysis hat keinen Eintrag für das Modell.

Was tatsächlich auf Hugging Face gelandet ist

Am 4. November gingen vier Repositories online, und die Unterschiede sind wichtig, denn sie bestimmen, welche Hardware Sie benötigen:

• Ripple-65B Preview — der BF16-Checkpoint mit Instruction-Tuning, 16 Safetensors-Shards mit insgesamt 129,57 GB, Apache 2.0, nicht gated.

• Ripple-65B Preview NVFP4 — ein experimenteller 4-Bit-Build mit 57,22 GB über 6 Shards, der die MLP-Schichten quantisiert und Attention dabei in BF16 belässt.

• Ripple-65B Base Preview — der ausschließlich vortrainierte Checkpoint, kein Midtraining, keine synthetischen QA-Daten, ebenfalls 129.57 GB.

• Ripple-65B Preview DFlash2 — ein 8,08 GB großes Draft-Modell für spekulatives Dekodieren, 4,04 Mrd. Parameter, das Blöcke von 16 Tokens gegenüber dem Zielmodell entwirft.

Die Architektur ist ein bewusster Rückgriff. Während jedes andere Labor dieser Größenordnung auf Mixture-of-Experts gesetzt hat, baute Ricursive einen dichten Transformer, schmal und tief: d_model 5120, 80 Layer, 80 Attention-Heads, die sich 8 Key-Value-Heads teilen, ein Vokabular von 100.352 Tokens und ein gleitendes Fenster von 1.024 Tokens, das über ein hybrides Layer-Muster angewendet wird. FFN-Aktivierungs-Clipping, gated Attention, globales NoPE und Value-Residuals vervollständigen die Modifikationen, die das Team bei der schrittweisen Weiterentwicklung von einer Olmo-3-Baseline übernommen hat.

Der Trainings-Stack ist detaillierter veröffentlicht, als die meisten Model Cards es sich die Mühe machen: 12T Tokens Pretraining bei 8K Sequenzlänge, 200B Tokens Midtraining bei 64K, 6,5B Tokens Long-Context-Erweiterung bei 2M, 183B Tokens SFT bei 128K und 700 RL-Schritte bei 128K. Das Team wuchs während der Entwicklung von einer Person auf fünf und berichtet von 40 % MFU ohne benutzerdefinierte Kernel.

Eine Warnung zur Namensgebung, weil Suchergebnisse das bereits durcheinanderbringen: Ricursive Intelligence ist das Chipdesign-Labor, dessen Launch-Post die Kooptimierung von Hardware, Software und Modellen beschreibt. Es ist nicht Recursive, das Startup für selbstverbessernde KI hinter Flint. Die beiden Unternehmen sind unabhängig voneinander, und Berichterstattung, die sie vermischt, ist falsch.

Die Benchmark-Behauptung – und wie weit sie trägt

Terminal-Bench 2.1 ist der Punkt, an dem sich entscheidet, ob der Launch Erfolg hat oder scheitert, und die Zahl lautet 80.52. Ricursive setzt es damit vor Reflection Beam 501B mit 80.1, Meta Muse Spark Open 816B mit 76.4, Thinking Machines Inkling 975B mit 63.8 und NVIDIA Nemotron 3 Ultra 550B mit 56.4 — die alle zwischen sieben- und fünfzehnmal so viele Gesamtparameter haben.

Was diese Tabelle wertvoller macht als das übliche Anbieterblatt, ist eine zweite Spalte. Ricursive hat den Vergleich unter dem offiziellen Terminus 2-Harness bei 128K mit Zusammenfassung erneut durchgeführt und berichtet, dass sich die Scores fast überall verändert haben, außer dem eigenen: Ripple blieb bei 80,5, Muse Spark stieg auf 78,7, Reflection Beam fiel von 80,1 auf 70,8, Inkling von 63,8 auf 56,2, Nemotron von 56,4 auf 55,1. Ein Labor, das den Harness veröffentlicht, bei dem der eigene Score unverändert bleibt und die Scores der Wettbewerber einbrechen, tut etwas, was die meisten Launch-Posts vermeiden. Es ist immer noch ein Labor, das die eigenen Hausaufgaben benotet — jede Zahl in dieser Tabelle stammt aus Ricursives Eval-Flow —, aber der Gradient verläuft in die richtige Richtung.

Die Behauptung gilt nicht mehr, sobald man das Terminal verlässt. Auf DeepSWE 1.1 erreicht Ripple 44,3 gegenüber 60,0 von Muse Spark. Auf MCP Atlas sind es 71,67, hinter Muse Spark mit 89,2 und Inkling mit 76,0. Auf SciCode liegt es mit 39,4 auf dem letzten Platz der fünf, hinter Beam mit 49,2 und Muse Spark mit 58,5. Das Muster ist konsistent: Ripple ist stark bei langfristig angelegter Terminalarbeit und mehrstufigen Softwareaufgaben und durchschnittlich bei wissenschaftlicher Codegenerierung und der Breite von Tool-Protokollen. Wenn Ihre Arbeitslast ein Agent ist, der sich durch eine Shell klickt, richtet sich die Behauptung an Sie. Wenn sie ein stark MCP-lastiger Assistent ist, nicht.

Und die Rahmung leistet im Stillen ihre Arbeit. „U.S. open-weight state of the art“ ist eine Einschränkung, kein Präfix, das man überspringen kann. Sie schließt DeepSeek, Qwen und jedes andere nicht-US-amerikanische Labor aus; es ist also eine Aussage über das beste Open-Weight-Modell, das innerhalb der Vereinigten Staaten trainiert wurde, nicht über das beste Open-Weight-Modell.

Das Basismodell ist das ehrlichere Dokument.

Die Base-Preview-Karte enthält einen Satz, mit dem der Launch-Post nicht beginnt: Der vortrainierte Checkpoint sei „vergleichbar mit DeepSeek V3.1 und V4 Flash bei Reasoning, Mathematik und Code“, während Nemotron 3 Ultra „bei traditionellen Pretraining-Evals dominiert“. Die Zahlen untermauern diese Bescheidenheit. Base MMLU-Pro liegt bei 61,5 gegenüber 68,3 für DeepSeek V4 Flash 284B und 79,1 für Nemotron 3 Ultra 550B. Base GPQA Diamond liegt bei 38,4, deutlich unter V4 Flash mit 44,4.

Liest man diese beiden Tabellen zusammen, wird das Bild schärfer. Ripples vortrainiertes Prior ist respektabel, aber für einen 12T-Token-Lauf nur Mittelmaß – das kleinste Vortrainingsbudget in seinem eigenen Vergleichsset, gegenüber 20T bei Nemotron und 32T+ bei V4 Flash. Fast der gesamte Vorteil beim agentischen Codieren kommt aus dem Post-Training-Stack: der Midtraining-Datenmischung, der Long-Context-Erweiterung und 700 RL-Schritten, die laut Ricursive in 1,4 Mio. Rollouts 80,5 erreichten – rund 70-mal weniger, als Reflection Beam benötigte. Das ist ein interessanteres Ergebnis als die Benchmark-Tabelle – und ein fragileres: Ein starker RL-Anstieg auf synthetischen Long-Horizon-Umgebungen ist genau die Art von Rezept, das sich ungleichmäßig auf Aufgaben überträgt, gegen die das Labor nicht trainiert hat.

Warum besteht die Kontextnummer aus zwei Zahlen?

Die Modellkarte sagt 1M. Die Konfiguration sagt max_position_embeddings 2.097.152. Der gehostete Endpunkt sagt 16.384 mit einer Ausgabegrenze von 14.745 Tokens. Niemand lügt; das sind drei verschiedene Dinge, und die Arithmetik erklärt, warum der erste Host die Zahl gewählt hat, die er gewählt hat.

Der KV-Cache ist der Punkt, an dem langer Kontext bezahlt wird. Mit 80 Schichten, 8 KV-Heads, einer Head-Dimension von 128 und BF16-Speicherung kostet jede Schicht 4.096 Bytes Cache pro Token – 2.048 für Keys und 2.048 für Values. Über alle 80 Schichten hinweg sind das rund 0,33 MB pro Token. Bei den 16.384 Tokens des Endpunkts sind das etwa 5,4 GB. Bei einer Million Tokens mit globalem Attention jeder Schicht wären es rund 344 GB Cache zusätzlich zu 130 GB Gewichten.

Dafür ist das gleitende Fenster da. Die meisten von Ripples Schichten attendieren innerhalb eines Fensters von 1.024 Tokens; eine Minderheit attendiert global, und nur diese wachsen mit dem Kontext. Wenn 16 der 80 Schichten global sind, kostet eine Million Tokens etwa 69 GB Cache statt 344 GB – groß, aber auf einem Multi-GPU-Knoten bedienbar. Die genaue Aufteilung wird durch das Hybrid-Layer-Muster in config.json festgelegt, und sie ist das Erste, was Sie mit Ihrem jeweiligen Serving-Stack prüfen sollten, denn diese Aufteilung – nicht die Schlagzeile – ist Ihre Speicherrechnung.

Betrachten Sie die beiden Zahlen als zwei Fakten. Eine Million Tokens ist eine architektonische Fähigkeit, die in den Gewichten steckt und für deren Bereitstellung ein leistungsfähiger Knoten nötig wäre. Sechzehntausend sind das, was der erste kommerzielle Endpoint bietet – genug für die meisten Agenten-Schleifen, nicht genug für Reasoning im Repository-Maßstab oder Arbeit mit langen Dokumenten. Wenn Sie Ripple-65B Preview wegen des 1M-Kontexts ausprobieren wollten, bietet Ihnen der gehostete Weg ihn heute nicht, und Self-Hosting ist der einzige Weg, der ihn bietet.

Lokal bedeutet 57 GB, nicht 130

Im Launch-Post heißt es, das Modell „könne auf Consumer-Hardware wie dem NVIDIA DGX Spark laufen“, und die Berichterstattung hat daraus die Behauptung „läuft auf einem MacBook“ gemacht. Die Download-Größen verraten, auf welches Artefakt sich welche Aussage bezieht.

Der BF16-Instruct-Checkpoint ist 129,57 GB groß. Für sich allein – vor jeglichem KV-Cache oder Laufzeit-Overhead – benötigt er einen Beschleuniger der 192-GB-Klasse oder eine Aufteilung auf mehrere GPUs.

• Der NVFP4-Build ist 57,22 GB groß. Das passt in ein System mit 128 GB Unified Memory und lässt noch Platz für einen Arbeitskontext – und er ist als experimentell gekennzeichnet, wobei die Attention in BF16 belassen wurde.

• **Der DFlash2-Drafter fügt 8,08 GB hinzu und erkauft sich spekulatives Decoding, nicht Qualität.**

Die 250 tok/s sind ein Rechenzentrumswert: 2×B200 bei Batch 8, vor Quantisierung und benutzerdefinierten Kernels. Auf einem Spark tauschst du Durchsatz gegen die Tatsache ein, dass die Kiste auf deinem Schreibtisch steht. Keiner der beiden Werte ist falsch; sie gehören nur zu unterschiedlichen Maschinen, und die lokale Geschichte funktioniert nur mit dem quantisierten Checkpoint.

Was ein Anruf kostet

Der erste gehostete Endpunkt nennt 0,20 $ pro Million Eingabe-Tokens und 0,60 $ pro Million Ausgabe, wobei Lesevorgänge für zwischengespeicherte Eingaben mit 0,05 $ berechnet werden. Auf einen realistischen Agent-Aufruf durchgerechnet – ein Prompt mit 16.000 Tokens gegen das volle Kontextfenster, der 2.000 Tokens zurückgibt – sind das 0,0032 $ für die Eingabe und 0,0012 $ für die Ausgabe, also etwa 0,0044 $. Schickt man täglich 10 Millionen Tokens bei einer 80/20-Aufteilung von Eingabe und Ausgabe hindurch, landet man bei 2,80 $.

Caching ist der Hebel, den es sich zu ziehen lohnt. Ein wiederholter System-Prompt mit 16.000 Tokens kostet zum Cached-Tarif $0.0008 statt $0.0032 – eine 4-fache Reduzierung auf der Eingabeseite, die bei einem Agenten, der bei jedem Turn dieselben Tool-Definitionen erneut sendet, den Großteil der Rechnung ausmacht.

Wo OrcaRouter ins Bild passt: Wir führen Ripple-65B Preview derzeit nicht, also gibt es keinen Aufschlag zu vergleichen und keinen Grund, etwas anderes vorzugeben. Was die Preview jedoch ändert, ist das Argument dafür, ein unerprobtes Modell aus Ihrem Produktionspfad herauszuhalten, während Sie es messen. Leiten Sie den etablierten Anbieter, von dem Ihr Traffic bereits abhängt, über einen einzigen Schlüssel – 200+ Modelle, Listenpreis des Anbieters zu 0 % Aufschlag durchgereicht, automatisches Failover, wenn ein Anbieter schwächelt – und stellen Sie Ripple daneben in einer Offline-Evaluierung, statt es den Nutzern vorzusetzen. Wenn die Zahlen stimmen, verlagert die Routing-DSL einen Teil des Traffics ohne eine zweite Integration; wenn nicht, war der Fallback nie infrage gestellt.

Wer sollte es ausprobieren, und was würde das Bild verändern?

Probieren Sie es jetzt aus, wenn Sie einen Terminal- oder Shell-Agenten bauen, einen Apache-2.0-Checkpoint wollen, den Sie ohne Anwalt feinabstimmen können, und ein 16K-Fenster für Ihre Schleife ausreicht. Die dichte Architektur ist ein echter Vorteil für alle, die auf bescheidener Hardware betreiben – kein Experten-Routing, kein All-to-All, vorhersehbare Latenz – und ein dichtes 65B-Modell mit 80,5 auf Terminal-Bench ist ein Ergebnis, das es wert ist, auf Ihren eigenen Aufgaben reproduziert zu werden, statt darüber zu streiten.

Warten Sie, wenn Sie langen Kontext von einem gehosteten Endpunkt benötigen, wenn Ihre Arbeit stark auf MCP basiert oder wissenschaftlicher Code ist oder wenn Sie eine Zahl benötigen, die nicht von dem Labor stammt, das das Modell trainiert hat. Es gibt noch keine unabhängige Bewertung: keinen Eintrag bei Artificial Analysis und keine Reproduktion der 80,52 durch Dritte. Für eine einen Tag alte Preview-Version ist das normal und nicht verdächtig – aber es bedeutet, dass jede Zahl in diesem Beitrag, die von Ricursive stammt, aus gutem Grund als deren eigene gekennzeichnet ist.

Drei Dinge würden die Frage klären. Eine zweite Testumgebung, betrieben von jemandem, der das Modell nicht trainiert hat. Ein Host, der mehr als 16.384 Token ausliefert, was uns zeigen würde, ob die Behauptung zum 1-Millionen-Kontext den Kontakt mit einem Scheduler übersteht. Und ein Nicht-Preview-Checkpoint, da Ricursive ausdrücklich klargestellt hat, dass das Post-Training hier leicht war und die interne Variante hinter seiner Chipdesign-Plattform das Produkt ist, das es wirklich baut. Bis dahin ist die Schlagzeile eine Behauptung und der Download echt — und die Lücke dazwischen ist genau der Ort, an dem die Evaluierung im kommenden Monat stattfinden wird.