Ripple 65B Preview vs. Muse Wonder: Was das 20-Fache des Preises tatsächlich bringt

Es gibt genau einen Benchmark, den sowohl Ripple 65B Preview als auch Muse Wonder in derselben Version veröffentlicht haben, mit Zahlen, die man im selben Satz nennen kann: DeepSWE 1.1. Metas Muse Wonder meldet 78,8. Ricursives Ripple 65B Preview meldet 44,3. Das ist eine Lücke von 34,5 Punkten bei der Arbeit von Software-Engineering-Agenten, und es ist der einzige saubere Vergleich, den die beiden Markteinführungen bieten — alles andere ist entweder eine andere Benchmark-Revision oder eine Spalte mit einem Strich darin.

Die Frage ist also nicht, ob Muse Wonder bei dieser Aufgabe besser ist. Das ist es eindeutig, gemessen an den eigenen Zahlen der Labore. Die Frage ist, ob der Vorsprung groß genug ist, um zu rechtfertigen, dass es bei der Eingabe etwa zwanzigmal so viel und bei der Ausgabe dreiunddreißigmal so viel kostet. Das ist eine echte Entscheidung mit einer echten Antwort, und sie ist nicht für jede Arbeitslast dieselbe.

Warum DeepSWE 1.1 der faire Wettkampf ist

Beide Labore haben Version 1.1 derselben Evaluation durchgeführt. Keines hat eine Wiederholung durch einen Dritten veröffentlicht, daher tragen beide Zahlen denselben Vorbehalt – sie sind anbieterberichtet und nicht reproduziert –, und genau diese Symmetrie macht den Vergleich brauchbar. Wenn zwei Aussagen gleichermaßen eigennützig sind, ist der Abstand zwischen ihnen immer noch aussagekräftig.

Im Gegensatz dazu steht Terminal-Bench, wo die beiden Labore überhaupt nicht dieselbe Prüfung ablegen. Ripple meldet 80,5 auf Terminal-Bench 2.1. Meta meldet für Muse Wonder Full 57,1 auf Terminal-Bench 4.0, einer späteren und schwierigeren Revision. Wer diese Ergebnisse nebeneinanderstellt, um Ripple zum Sieger zu erklären, vergleicht ein Modell, das die Prüfung von 2024 absolviert hat, mit einem, das die von 2026 absolviert hat. Metas eigene Darstellung ist hier sorgfältig, der Launch-Thread von Ricursive war es nicht.

Noch eine Warnung auf der Meta-Seite: Die JobBench-Tabelle des Unternehmens nennt 75,3 für Muse Wonder Full gegenüber 30,8 für Standard Muse Wonder – eine Differenz von 44 Punkten, die kein unabhängiger Prüfer reproduziert hat. Behandeln Sie interne Benchmark-Tabellen jedes Labors als Marketing, bis jemand von außerhalb des Gebäudes sie selbst ausführt.

Was der Preisunterschied tatsächlich ist

Muse Wonder kostet 4,00 US$ pro Million Eingabe-Tokens und 20,00 US$ pro Million Ausgabe-Tokens, wobei zwischengespeicherte Eingabe bei 0,20 US$ liegt. Ripple 65B Preview ist auf seinem ersten gehosteten Endpunkt mit 0,20 US$ und 0,60 US$ gelistet – eine Zahl, die man nur als grobe Orientierung nehmen sollte, da Ricursive keine Preisliste veröffentlicht hat und dieser Endpunkt einen Kontext von 16.384 Tokens bereitstellt, gegenüber einem beworbenen Fenster von 1 Mio. Tokens. Selbst wenn man den Eintrag für bare Münze nimmt, liegt das Verhältnis bei 20-fach bei der Eingabe und 33-fach bei der Ausgabe.

Pro-Token-Verhältnisse schmeicheln kleinen Modellen und führen bei den tatsächlichen Abrechnungen in die Irre; hier ist deshalb die Rechnung für eine Arbeitslast, die Sie tatsächlich ausführen könnten. Angenommen, Ihr Coding-Agent erzeugt 50 Millionen Ausgabe-Tokens pro Monat und liest dabei 200 Millionen Eingabe-Tokens.

• Bei Muse Wonder: 200 × 4,00 $ = 800 $ Input, plus 50 × 20,00 $ = 1.000 $ Output. Insgesamt 1.800 $ pro Monat.

• Bei Ripple 65B Preview zum angegebenen Tarif: 200 × $0,20 = $40 Eingabe, plus 50 × $0,60 = $30 Ausgabe. Insgesamt $70 pro Monat.

• Der Unterschied: 1.730 US-Dollar pro Monat bzw. rund 20.760 US-Dollar pro Jahr für dieselbe nominale Token-Anzahl.

Jetzt der Teil, den die Tabellenkalkulation übersieht. Wenn Ripple bei einer von drei Aufgaben scheitert und Sie es erneut versuchen, steigt Ihr effektives Ausgabevolumen um die Hälfte. Bei zwei Wiederholungen haben Sie es verdoppelt. Der Break-even-Punkt ist alles andere als subtil – Ripple kann pro Token dreiunddreißigmal weniger effizient sein und trotzdem weniger kosten –, aber der Fehlermodus ist schlimmer als die Rechnung. Ein Coding-Agent, der ein Drittel seiner Aufgaben nicht erledigt, kostet nicht nur mehr; er kostet Sie die Ingenieurin oder den Ingenieur, die oder der es bemerken, rückgängig machen und die Arbeit erneut ausführen muss. Kalkulieren Sie die Beaufsichtigung ein, nicht nur die Token.

Artificial Analysis beziffert Muse Wonder (Max) auf seiner Live-Modellseite mit 6,95 US-Dollar pro Index-Aufgabe – eine ehrlichere Einheit als Dollar pro Million und eine, für die es bei Ripple kein Äquivalent gibt, weil niemand es durch einen standardisierten Aufgabensatz laufen ließ.

Wofür Meta Geld verlangt – über die Gewichte hinaus

Muse Wonder ist ein geschlossenes Modell mit einer ungewöhnlich breiten Eingabebasis: Text, Bilder, Video, Audio und PDFs als Eingabe, Text als Ausgabe, bei einem Kontext von 1.048.576 Tokens und einer Obergrenze von 131.072 Tokens für die Ausgabe. Es läuft mit Always-on-Reasoning und sechs wählbaren Aufwandsstufen, unterstützt parallele Tool-Aufrufe und strukturierte Ausgaben und bietet zwei Funktionen, für die es auf Ripples Karte überhaupt keine Entsprechung gibt – Active Memory, das Kontext über Gespräche hinweg trägt, und Active Focus, das darauf ausgelegt ist, eine lange Aufgabe zusammenzuhalten, ohne abzudriften.

Ob Sie das interessiert, hängt ganz von der Form Ihrer Arbeitslast ab. Wenn Ihr Agent einen Screenshot eines fehlschlagenden Tests lesen, einen Kundenanruf transkribieren und ihn in einem Durchgang mit einer PDF-Rechnung abgleichen muss, hilft Ihnen keiner von Ripples Benchmark-Werten, weil Ripple 65B Preview Text entgegennimmt und Text zurückgibt. Die Modalitätslücke ist kein Leistungsunterschied, den Sie mit einem besseren Prompt schließen können.

Muse Wonder (Max) erreicht 44 Punkte im Intelligence Index von Artificial Analysis – Platz 26 von 66 Modellen seiner Klasse und über dem Median von 36 für vergleichbare Modelle, aber nicht mehr die frontier-nahe 52, die die Berichterstattung zur Markteinführungswoche meldete. Der Index wurde Ende Oktober neu aufgebaut, und mehrere Modelle haben sich verschoben. Ripple 65B Preview taucht darin überhaupt nicht auf.

Was Apache 2.0 wert ist

Ripple 65B Preview hat 65 Milliarden dichte Parameter unter Apache 2.0, mit den vollständigen Gewichten auf Hugging Face in BF16 sowie NVFP4- und Basis-Modell-Varianten. In BF16 umfasst dieser Checkpoint etwa 130 GB, was DGX-Spark-Territorium entspricht oder einem quantisierten Lauf auf einer kleineren Maschine – nicht, trotz anderslautender Berichterstattung zum Launch, einem MacBook, es sei denn, man verwendet den NVFP4-Build. Ricursive beansprucht 250 Token pro Sekunde auf zwei B200s bei Batch-Größe 8, bevor benutzerdefinierte Kernel zum Einsatz kommen, und etwa 40 % MFU beim Pretraining mit einfachem Sharding.

Was dir das verschafft, ist alles, was ein gehostetes geschlossenes Modell nicht bieten kann: die Möglichkeit, auf deinen eigenen Daten zu fine-tunen, Inferenz ohne Abrechnung pro Token und ohne dass Daten dein Netzwerk verlassen auszuführen, eine Version dauerhaft zu fixieren und sie um 3 Uhr morgens bereitzustellen, ohne von der Statusseite von jemand anderem abhängig zu sein. Für eine regulierte Workload ist diese Liste oft mehr wert als 34 DeepSWE-Punkte. Für ein Startup, das in diesem Quartal einen Agenten ausliefert, ist sie das meistens nicht.

Es gibt außerdem eine Lizenzasymmetrie, die es wert ist, benannt zu werden. Apache 2.0 ist etwa so permissiv, wie offene Gewichte nur sein können. Muse Wonder ist vollständig geschlossen — Metas Gegenstück mit offenen Gewichten in dieser Familie ist Muse Spark Open, ein anderes und deutlich größeres 816B-Modell mit 42B aktiven Parametern und 256 Experten, keine kleinere Version von Wonder. Wenn offene Gewichte eine Voraussetzung und nicht nur eine Präferenz sind, endet dieser Vergleich hier.

Die beiden nebeneinander ausführen

Keines der beiden Modelle steht heute in unserem Katalog, und es wird auch nicht suggeriert werden, dass eines von beiden dort steht. Muse Wonder erreicht Entwickler über Metas eigene API; Ripple über Ricursives Endpoint und Drittanbieter-Plattformen, mit Gewichten auf Hugging Face. Wozu ein Router in dieser Situation gut ist, macht genau das deutlich, was beide Markteinführungen offensichtlich machen: Man möchte keinen Produktionspfad an einen Preview anschließen, der erst einen Tag alt ist und dessen eigene Modellkarte sagt, dass seine Werte schwer zu reproduzieren sind. Man möchte dieses Modell hinter einem Fallback haben, das einen Traffic-Anteil übernimmt, den man hochregeln kann, während die Belege zunehmen – automatisches Failover auf ein bekannt zuverlässiges Modell bei Fehler oder Timeout statt eines Rewrites, wenn das Experiment enttäuscht.

Dieses Muster ist auch der Weg, die Preisfrage empirisch zu beantworten. Leiten Sie 10 % Ihres Coding-Traffics an Ripple, behalten Sie 90 % bei Muse Wonder und vergleichen Sie nicht die Token-Rechnung, sondern die Kosten pro abgeschlossener Aufgabe – einschließlich der Wiederholungen und der menschlichen Zeit. Ein API-Schlüssel, eine Abrechnungszeile, und eine Zahl, die Sie in einer Planungsbesprechung verteidigen können – mehr, als Ihnen jede Benchmark-Tabelle liefern wird.

Wer sollte das Zwanzigfache zahlen?

Zahlen Sie für {{1}}Muse Wonder{{/1}}, wenn Ihre Arbeit multimodal, langfristig oder kundenorientiert ist: Agenten, die Screenshots lesen, Assistenten, die sich über Sitzungen hinweg an einen Nutzer erinnern müssen, alles, wo eine {{2}}Halluzinationsrate von 27 %{{/2}} schon zu hoch ist und Sie die Zuverlässigkeit benötigen, die das Post-Training eines Frontier-Labors mit sich bringt. Die {{3}}6,95 $ pro Index-Aufgabe{{/3}} sind ein fairer Preis für ein Modell, das die Aufgabe erledigt.

Setze Ripple 65B Preview ein, wenn die Arbeit rein textbasiert, begrenzt und umfangreich ist und wenn du die Hardware oder einen günstigen Endpoint hast: Batch-Klassifizierung, Code-Review nach einem festen Bewertungsraster, ein lokaler Assistent, eine Fine-Tuning-Basis. Bei $0,20 und $0,60 ist es bei der Ausgabe dreiunddreißigmal günstiger, und bei einer Arbeitslast, die seine Stärken ausspielt, schlägt dieses Verhältnis einen Rückstand von 34,5 Punkten in einem Benchmark.

Der Fehler wäre, die DeepSWE-Lücke als Urteil zu lesen. Es ist eine einzige Prüfung, einmal abgelegt, berichtet von dem Labor, das sie erstellt hat. Die Zahl, die das für Sie entscheiden sollte, ist nicht 78.8 gegenüber 44.3 — es ist die, die Ihr eigener Aufgabensatz liefert, wenn Sie beide laufen lassen, und diese Zahl existiert nicht, bevor Sie sie erzeugen.