Ripple 65B Preview vs Muse Wonder: qué se obtiene realmente por 20× el precio

Hay exactamente un benchmark que Ripple 65B Preview y Muse Wonder publicaron ambos, en la misma versión, con cifras que se pueden poner en la misma frase: DeepSWE 1.1. Muse Wonder de Meta informa 78,8. Ripple 65B Preview de Ricursive informa 44,3. Es una diferencia de 34,5 puntos en trabajo de agentes de ingeniería de software, y es la única comparación limpia que ofrecen los dos lanzamientos; todo lo demás es o una revisión diferente del benchmark o una columna con un guion.

Así que la cuestión no es si Muse Wonder es mejor en esa tarea. Claramente lo es, según los propios números de los laboratorios. La cuestión es si es mejor por un margen suficiente como para justificar que cueste aproximadamente veinte veces más en entrada y treinta y tres veces más en salida. Es una decisión real con una respuesta real, y no es la misma respuesta para cada carga de trabajo.

Por qué DeepSWE 1.1 es una lucha justa

Ambos laboratorios ejecutaron la versión 1.1 de la misma evaluación. Ninguno ha publicado una nueva ejecución realizada por un tercero, así que ambas cifras conllevan la misma advertencia —son reportadas por el proveedor y no reproducidas—, y esa simetría es lo que hace utilizable la comparación. Cuando dos afirmaciones son igualmente interesadas, la diferencia entre ellas sigue siendo informativa.

Contrasta esto con Terminal-Bench, donde los dos laboratorios no están ni de lejos en el mismo examen. Ripple reporta 80.5 en Terminal-Bench 2.1. Meta reporta Muse Wonder Full con 57.1 en Terminal-Bench 4.0, una revisión posterior y más difícil. Cualquiera que ponga esos resultados en paralelo para declarar a Ripple ganador está comparando un modelo que se presentó al examen de 2024 con uno que se presentó al de 2026. El planteamiento de Meta es cuidadoso en este punto; el hilo de lanzamiento de Ricursive no lo fue.

Una advertencia más en el lado de Meta: la tabla JobBench de la empresa afirma 75.3 para Muse Wonder Full frente a 30.8 para Muse Wonder estándar, una diferencia de 44 puntos que ningún evaluador independiente ha reproducido. Trata las tablas de benchmarks internos de cualquier laboratorio como marketing hasta que alguien de fuera del edificio las ejecute.

Cuál es en realidad la diferencia de precio

Muse Wonder cuesta $4.00 por millón de tokens de entrada y $20.00 por millón de tokens de salida, con la entrada en caché a $0.20. Ripple 65B Preview aparece a $0.20 y $0.60 en su primer endpoint alojado —una cifra que conviene tomar con cautela, ya que Ricursive no ha publicado ninguna lista de tarifas y ese endpoint ofrece un contexto de 16,384 tokens frente a una ventana anunciada de 1M. Incluso tomando el precio de lista al pie de la letra, la relación es de 20× en la entrada y 33× en la salida.

Los ratios por token favorecen a los modelos pequeños y engañan sobre las facturas reales, así que aquí está la aritmética de una carga de trabajo que podrías ejecutar de verdad. Digamos que tu agente de programación emite 50 millones de tokens de salida al mes y lee 200 millones de tokens de entrada mientras lo hace.

• En Muse Wonder: 200 × $4.00 = $800 de entrada, más 50 × $20.00 = $1,000 de salida. Total $1,800 al mes.

• En Ripple 65B Preview a la tarifa indicada: 200 × $0.20 = $40 de entrada, más 50 × $0.60 = $30 de salida. Total $70 al mes.

La diferencia: $1,730 al mes, o aproximadamente $20,760 al año, por la misma cantidad nominal de tokens.

Ahora la parte que la hoja de cálculo pasa por alto. Si Ripple falla una tarea una de cada tres veces y la reintentas, tu volumen efectivo de producción aumenta un 50 %. Con dos reintentos, lo habrás duplicado. El punto de equilibrio no es sutil —Ripple puede ser treinta y tres veces menos eficiente por token y aun así costar menos—, pero el modo de fallo es peor que la factura. Un agente de programación que falla un tercio de sus tareas no solo cuesta más; te cuesta el ingeniero que tiene que darse cuenta, desenmarañar y volver a ejecutar el trabajo. Pon precio a la supervisión, no solo a los tokens.

Artificial Analysis sitúa a Muse Wonder (Max) en 6,95 dólares por tarea de índice en su página de modelo en vivo —una unidad más honesta que los dólares por millón, y una que no tiene equivalente para Ripple, porque nadie lo ha sometido a un conjunto de tareas estándar.

Qué cobra Meta, más allá de los pesos

Muse Wonder es un modelo cerrado con una superficie de entrada inusualmente amplia: recibe texto, imágenes, vídeo, audio y PDF, y devuelve texto, con un contexto de 1.048.576 tokens y un límite de salida de 131.072 tokens. Ejecuta razonamiento siempre activo con seis niveles de esfuerzo seleccionables, admite llamadas de herramientas en paralelo y salidas estructuradas, y expone dos funciones sin equivalente alguno en la ficha de Ripple: Active Memory, que conserva el contexto entre conversaciones, y Active Focus, diseñada para mantener cohesionada una tarea larga sin desviarse.

Que te importe depende enteramente de la forma de tu carga de trabajo. Si tu agente tiene que leer una captura de pantalla de una prueba fallida, transcribir una llamada de cliente y conciliarla con una factura en PDF en una sola pasada, ninguna de las puntuaciones de benchmark de Ripple te ayuda, porque Ripple 65B Preview acepta texto y devuelve texto. La brecha de modalidad no es una diferencia de rendimiento que puedas cerrar con un mejor prompt.

Muse Wonder (Max) obtiene 44 en el Intelligence Index de Artificial Analysis — n.º 26 de 66 modelos de su clase, y por encima de la mediana de 36 para modelos comparables, aunque ya no es el 52 cercano a la frontera que reportó la cobertura de la semana del lanzamiento. El índice se reconstruyó a finales de octubre y varios modelos se movieron. Ripple 65B Preview no aparece en él en absoluto.

Cuánto vale Apache 2.0

Ripple 65B Preview tiene 65 mil millones de parámetros densos bajo Apache 2.0, con los pesos completos en Hugging Face en BF16, además de variantes NVFP4 y de modelo base. En BF16, ese checkpoint ocupa unos 130 GB, lo que es territorio de DGX Spark o de una ejecución cuantizada en una máquina más pequeña — no un MacBook, pese a lo que dijo la cobertura del lanzamiento, a menos que se ejecute la variante NVFP4. Ricursive afirma 250 tokens por segundo en dos B200 con tamaño de lote 8 antes de cualquier kernel personalizado, y aproximadamente 40 % de MFU durante el preentrenamiento con sharding simple.

Lo que eso te aporta es todo lo que un modelo cerrado alojado no puede darte: la capacidad de ajustar finamente con tus propios datos, ejecutar inferencia sin factura por token y sin que los datos salgan de tu red, fijar una versión para siempre y servirlo a las 3 de la madrugada sin depender de la página de estado de otro. Para una carga de trabajo regulada, esa lista suele valer más que 34 puntos de DeepSWE. Para una startup que lanza un agente este trimestre, por lo general no.

También hay una asimetría de licencias que vale la pena mencionar. Apache 2.0 es aproximadamente tan permisiva como llegan a ser los pesos abiertos. Muse Wonder es cerrado por completo: el hermano de pesos abiertos de Meta en esta familia es Muse Spark Open, un modelo diferente y mucho más grande, de 816B, con 42B de parámetros activos y 256 expertos, no una versión más pequeña de Wonder. Si los pesos abiertos son un requisito y no una preferencia, esta comparación termina aquí.

Ejecutando los dos en paralelo

Ni uno ni otro modelo están hoy en nuestro catálogo, ni se va a dar a entender que lo estén. Muse Wonder llega a los desarrolladores a través de la propia API de Meta; Ripple, mediante el endpoint de Ricursive y plataformas de terceros, con los pesos en Hugging Face. Lo que un router aporta en esta situación es justo lo que ambos lanzamientos dejan en evidencia: no quieres una ruta de producción conectada a un Preview con un día de vida cuya propia ficha dice que sus puntuaciones son difíciles de replicar. Quieres ese modelo detrás de un fallback, recibiendo una proporción del tráfico que puedas aumentar a medida que se acumulen pruebas: conmutación automática a un modelo validado en caso de error o timeout, en lugar de una reescritura cuando el experimento no cumpla las expectativas.

Ese patrón es también la forma de responder empíricamente a la pregunta sobre el precio. Dirige el 10 % de tu tráfico de programación a Ripple, mantén el 90 % en Muse Wonder y compara no la factura de tokens, sino el coste por tarea completada —incluidos los reintentos y el tiempo humano. Una clave de API, una línea de facturación, y una cifra que puedes defender en una reunión de planificación, lo que es más de lo que te dará cualquier tabla de benchmarks.

¿Quién debería pagar las veinte veces?

Paga por Muse Wonder si tu trabajo es multimodal, de horizonte largo o de cara al cliente: agentes que leen capturas de pantalla, asistentes que necesitan recordar a un usuario entre sesiones, cualquier cosa en la que una tasa de alucinación del 27 % ya sea demasiado alta y necesites la fiabilidad que ofrece el post-entrenamiento de un laboratorio de frontera. Los $6.95 por tarea de índice son un precio justo para un modelo que termina la tarea.

Ejecuta Ripple 65B Preview si el trabajo es solo de texto, acotado y de gran volumen, y si tienes el hardware o un endpoint barato: clasificación por lotes, revisión de código con una rúbrica fija, un asistente local, una base para ajuste fino. A $0.20 y $0.60, es treinta y tres veces más barato en salida, y en una carga de trabajo que aprovecha sus fortalezas, esa relación supera un déficit de 34.5 puntos en un benchmark.

El error sería interpretar la brecha de DeepSWE como un veredicto. Es un solo examen, tomado una sola vez, reportado por el laboratorio que lo definió. El número que debería decidir esto por ti no es 78,8 frente a 44,3 — es lo que hace tu propio conjunto de tareas cuando ejecutas ambos, y ese número no existe hasta que lo generas.