Ripple-65B Preview vs. Ripple-65B: Warum hinter dem zweiten Namen kein Modell steht

Wenn Sie nach Ripple-65B Preview suchen, finden Sie ein dokumentiertes Modell: einen dichten 65B-Checkpoint unter Apache 2.0 von Ricursive Intelligence, erstellt am 4. November 2026, mit einer Modellkarte, vier Repositories und einem vom Anbieter gemeldeten Wert von 80,52 auf Terminal-Bench 2.1. Wenn Sie nach Ripple-65B – denselben Namen ohne Suffix – suchen, finden Sie dieses Modell immer wieder unter verschiedenen Dateinamen. Es gibt keine separate finale Veröffentlichung. Die Hugging-Face-Organisation listet vier öffentliche Repos – Ripple-65B-Preview, Ripple-65B-Preview-NVFP4, Ripple-65B-Base-Preview und Ripple-65B-Preview-DFlash2 – und keines davon lässt das Wort „Preview“ weg.

Das macht dies zu einer ungewöhnlichen Vergleichsseite, und der ehrliche Weg, sie zu schreiben, ist, das gleich zu Beginn zu sagen. Ripple-65B ist kein Rivale von Ripple-65B Preview. Es ist ein Name, nach dem Menschen suchen, ein Platzhalter für eine Veröffentlichung, die noch nicht stattgefunden hat, und – am nützlichsten – eine Gelegenheit, die Frage zu beantworten, die diese Suchen eigentlich stellen: Bekommen Sie das fertige Modell, oder bekommen Sie einen Snapshot, von dem das Labor sagte, er enthalte nur wenig Post-Training?

Was „Preview“ auf dieser bestimmten Karte bedeutet

Das Suffix ist hier nicht dekorativ, und Ricursive ist darin ungewöhnlich explizit. Die Modellkarte beschreibt die Veröffentlichung als relativ leicht nachtrainiert: 200 Milliarden Mid-Training-Tokens, 183 Milliarden Tokens für überwachtes Feintuning, 13,5 Milliarden Long-Context-SFT-Tokens, 700 RL-Schritte, zusätzlich zu einem Pretraining-Lauf mit 12 Billionen Tokens bei einer Sequenzlänge von 8K. Alles wird von Grund auf trainiert, und die Darstellung des Unternehmens ist, dass das Budget für das Nachtraining bewusst klein im Verhältnis zum Pretraining gehalten wurde.

Diese Kombination – riesige Basis, dünnes Alignment – erzeugt einen Checkpoint, der auf Terminal-Bench 2.1 80,52 Punkte erzielt, während er auf DeepSWE 1.1 bei 44,3 und auf SciCode bei 39,4 liegt. Die agentische Terminal-Leistung ist echte Arbeit. Die Breite im Software-Engineering wirkt wie der Teil, den ein längeres Post-Training zuerst anfassen würde. Ein finales Ripple-65B wäre nach dieser Lesart genau auf den Achsen ein besseres Modell, auf denen die Preview am schwächsten ist.

Ricursive hat sich auf keinen festgelegt. Es gibt keine Roadmap, keine Zeile „final release in Q4“ im Launch-Post und kein datiertes Nachfolger-Repo. Als ArtificialWatch den Launch verfolgte, merkte es an, dass „die GA ohne das Preview-Tag noch bevorsteht“ – eine zutreffende Zusammenfassung eines Zustands, der sich seitdem nicht geändert hat.

Die vier Repositories – und wofür jedes einzelne tatsächlich gedacht ist

Die Namensverwirrung wird schlimmer, bevor sie besser wird, denn zwei der vier Repos klingen, als könnten sie das endgültige Modell sein, und keines von beiden ist es.

• Ripple-65B-Preview — der primäre Instruct-Checkpoint. BF16, 64.782.689.360 Parameter, 129,6 GB über 16 Shards, Apache 2.0, ohne Zugriffsbeschränkung. Das ist derjenige, auf den sich jede Benchmark-Zahl bezieht.

• Ripple-65B-Preview-NVFP4 — dasselbe Instruct-Modell, mit ModelOpt quantisiert, 39,616,865,360 gespeicherte Parameter, als 8-Bit markiert. Kein anderes Modell, sondern ein kleinerer Container für dieselben Gewichte.

• Ripple-65B-Base-Preview — erstellt am 14. Oktober 2026, drei Wochen vor dem Instruct-Release. Dies ist das vortrainierte Basismodell, separat evaluiert: MMLU 83,7, MMLU-Pro 61,5, GPQA Diamond 38,4, HumanEval 70,9, MBPP Sanitized 81,5. Diese Zahlen wirken alarmierend neben den 89,6 und 85,2 der Instruct-Karte, bis man bedenkt, dass es Basismodell-Werte sind — vor SFT, vor RL, im Completion-Stil antwortend. Es ist der richtige Ausgangspunkt, wenn man eigenes Post-Training durchführen möchte, und der falsche, wenn man einen Assistenten will.

• Ripple-65B-Preview-DFlash2 — 4,04 Mrd. Parameter, ein Drafter für spekulatives Decoding. Er schlägt Token vor, die das 65B-Modell verifiziert, und kann selbst nichts erzeugen; in seiner Modellkarte steht ausdrücklich, dass er „das Zielmodell zur Textgenerierung benötigt“.

Vier Repos, ein Modell, drei davon Varianten eines Checkpoints und eines davon eine Komponente. Niemand hat ein fünftes veröffentlicht.

Wenn ein finales Ripple-65B tatsächlich ausgeliefert würde, was würde sich ändern?

Dies ist der konstruktive Teil des Vergleichs, und es lohnt sich, konkret zu werden, statt nur auf „besseres Post-Training“ anzuspielen.

• Die Kontext-Story würde sich wahrscheinlich klären. Die Preview bewirbt bis zu 1M, trainiert auf 2M-Token-Sequenzen in ihren Long-Context-Phasen, während kommerzielle Angebote 16.384 und in jüngerer Zeit prominent 128K ausgewiesen haben. Eine finale Veröffentlichung ist der natürliche Moment für ein Labor, zu sagen, wofür das Modell tatsächlich validiert ist, statt wofür die Architektur Unterstützung bietet.

• DeepSWE und SciCode wären die Zahlen, auf die man achten sollte. Dort liegt die Preview hinter Modellen zurück, die sie anderswo schlägt, und das sind die Benchmarks, die am direktesten auf mehr RL und mehr SFT an echten Repositories reagieren.

Bis dahin würde wahrscheinlich eine unabhängige Bewertung vorliegen. Artificial Analysis hat heute keinen Eintrag für irgendeinen Ripple-Slug, was bedeutet, dass jede kursierende Zahl vom Anbieter gemeldet ist. Eine GA-Veröffentlichung ist der Zeitpunkt, an dem Aggregatoren ein Modell üblicherweise aufnehmen.

• Die Lizenz würde wahrscheinlich bei Apache 2.0 bleiben. Nichts beim Launch deutet darauf hin, dass Ricursive beabsichtigt, davon abzurücken, und sie ist das wertvollste Gut, das die Veröffentlichung besitzt.

Nichts davon wird angekündigt. Es ist eine Schlussfolgerung aus dem, was die Karte über ihr eigenes Post-Training-Budget sagt, und sollte als solche gelesen werden.

Die Namensfalle – und warum sie praktisch relevant ist

Wenn Sie dieses Modell in eine Konfigurationsdatei einbinden, hört der Unterschied auf, akademisch zu sein. Der Identifier, der aufgelöst wird, ist ricursiveAI/Ripple-65B-Preview. Eine Anfrage für ricursiveAI/Ripple-65B liefert nichts, weil nichts mit diesem Namen existiert – und eine Pipeline, die stillschweigend auf einen Fuzzy-Match zurückfällt, wird entweder fehlschlagen oder, schlimmer noch, still einen Base-Checkpoint ausliefern, wo Sie einen Instruct-Checkpoint erwartet haben.

Dieselbe Falle gibt es umgekehrt beim Basismodell. Ripple-65B-Base-Preview ist ein echtes Repository mit echten Gewichten und ein wirklich anderes Artefakt als die Instruct-Version: andere Scores, anderes Verhalten, anderer Zweck. Wer im Internet „Ripple-65B“-Scores vergleicht, vermischt fast sicher die 89,6 MMLU der Instruct-Card mit den 83,7 der Base-Card, ohne zu bemerken, dass sie aus zwei verschiedenen Repos stammen.

Es folgen drei praktische Regeln. Legen Sie die genaue Repo-ID und einen Revisions-Hash fest, nicht einen Familiennamen. Gehen Sie nicht davon aus, dass ein gehosteter Endpunkt und der BF16-Download dasselbe Produkt sind – der gehostete könnte NVFP4 sein, eine andere Revision haben und wird fast sicher ein anderes Kontextlimit haben. Und wenn ein Tool oder ein Leaderboard „Ripple-65B“ ohne den Suffix aufführt, prüfen Sie, welches Repository gemeint ist, bevor Sie die Zahl zitieren.

Was du heute mit der Preview machen kannst

Ziemlich viel, tatsächlich – und mehr als noch vor einer Woche. Die Gewichte sind nicht zugangsbeschränkt und stehen unter Apache 2.0, es gibt also keinen Genehmigungsschritt. Seit dem 5. November hat vLLM native Unterstützung integriert – eine eingebaute RicursiveConfig, Parser für Reasoning und Tool-Calls sowie ein Recipe, das standardmäßig NVFP4 auf einer einzelnen B300 verwendet –, was bedeutet, dass der Checkpoint ohne --trust-remote-code in der Engine lädt, die die meisten Teams bereits betreiben. Ein paralleler SGLang-Pull-Request ist noch offen, daher ist vLLM derzeit die einzige gängige Engine, in der dies eine unterstützte Architektur und kein externes Skript ist.

Kommerziell wird das Modell zu etwa 0,20 US-Dollar pro Million Eingabe-Token und 0,60 US-Dollar pro Million Ausgabe-Token bereitgestellt, wobei gecachte Eingaben zu einem Bruchteil davon abgerechnet werden. Diese Preise gelten für die Preview, da sie das Einzige ist, das bereitgestellt wird.

OrcaRouter führt es nicht. Das sollte man klar sagen, denn eine Vergleichsseite, die damit endet, zu implizieren, Sie könnten über uns beide Seiten erreichen, wäre irreführend – es gibt nur eine Seite, und wir hosten sie nicht. Was wir jedoch routen, ist das umliegende Feld: Kimi K3.1 Pro zu $2.00 und $10.00 pro Million mit 1M Kontext, DeepSeek V4 Pro zu $0.66 und $1.98 mit 1M Kontext und 384K Ausgabe, Qwen3.8 Max zu $2.00 und $6.00. Wenn der Grund, warum Sie über einen 65B-Open-Weight-Coder lesen, der ist, dass Sie ein günstiges agentisches Modell ohne Beschaffungszyklus wollen, dann sind das diejenigen auf demselben Schlüssel wie alles andere, mit Failover und Pass-through-Preisen. Ripple ist dasjenige, das Sie selbst hosten oder separat kaufen.

Die kurze Antwort

Wenn jemand nach dem Unterschied zwischen Ripple-65B Preview und Ripple-65B fragt, lautet die korrekte Antwort, dass Letzteres noch nicht existiert. Die Preview ist das Modell: 65B dense, Apache 2.0, 12 Billionen Pretraining-Tokens, leicht nachtrainiert, 80,52 auf Terminal-Bench 2.1 nach eigener Messung, von keinem unabhängigen Board gerankt und mit einem Kontextfenster bereitgestellt, das davon abhängt, wer es bereitstellt.

Was ein finales Release hinzufügen würde, ist eine feststehende Kontextgröße, bessere Werte bei den Software-Engineering-Benchmarks, bei denen die Preview am schwächsten ist, und wahrscheinlich die erste externe Verifizierung, die das Modell überhaupt hatte. Bis Ricursive es ausliefert, vergleicht jeder „Ripple-65B“-Vergleich, den du liest – einschließlich aller, die behaupten, es mit der Preview zu vergleichen – ein Modell mit einem Suchbegriff.