Ripple 65B Preview vs Kimi K3.1 Pro : deux sorties à poids ouverts, aucun benchmark en commun

Le 4 novembre 2026, deux modèles à poids ouverts sont sortis à quelques heures d'intervalle, et presque personne ne les a comparés correctement. Ripple 65B Preview est un modèle dense de 65 milliards de paramètres de Ricursive Intelligence, préentraîné de zéro sur 12 billions de tokens et publié sous Apache 2.0. Kimi K3.1 Pro est le modèle phare sparse à un billion de paramètres de Moonshot AI, dont l'API a ouvert le 23 octobre et dont les poids — environ 1,56 To — sont devenus publics le 4 novembre. L'un est assez petit pour tenir sur un bureau ; l'autre nécessite un centre de données. La question évidente est de savoir lequel est le meilleur, et la réponse honnête est qu'aucun chiffre publié ne permet d'y répondre, car les deux laboratoires n'ont pas exécuté un seul benchmark sur la même version.

Ce n’est pas une esquive rhétorique. C’est la chose la plus utile sur cette page : si vous choisissez entre ces deux options, vous choisissez entre deux types de pari différents, et le tableau des benchmarks ne peut pas faire ce choix à votre place.

Ce qu’est réellement chaque modèle

Ripple 65B Preview est dense, et non sparse. Chacun de ses 65 milliards de paramètres s’active sur chaque token, dans un transformeur « fin et profond » de 80 couches doté d’un flux résiduel de 5 120 dimensions. Ricursive décrit cette conception comme une évolution de l’architecture Olmo 3 vers une architecture de type Gemma 3N — des têtes d’attention surdimensionnées, un ratio plus élevé entre attention à fenêtre glissante et attention globale, une attention à portes, un NoPE global, des résidus de valeur et un écrêtage de l’activation des FFN. L’entraînement a duré 877 500 étapes avec une longueur de séquence de 8K sur un corpus uniquement textuel, majoritairement en anglais et en code, suivi d’un midtraining, d’une phase de contexte long et d’un RL léger axé sur le codage agentique. Ricursive estime la facture de calcul à 32 M$.

Kimi K3.1 Pro présente une configuration inverse. C'est un modèle à mélange d'experts de la classe du billion de paramètres — des outils de suivi tiers l'estiment à environ 2,8 T au total, avec environ 104 B actifs par token — et les notes de version de Moonshot le décrivent comme un K3 post-entraîné avec un budget de RL bien plus important réparti sur des centaines de domaines. Le matériel de lancement de l'entreprise le présente comme une version post-entraînée de K3, mais la fiche du modèle raconte une histoire plus précise : l'épine dorsale est passée de 24 couches Gated MLA à 24 couches Gated DSA. Il est livré avec des entrées texte, image et vidéo, un effort de raisonnement configurable et une fenêtre de contexte de 1 048 576 tokens.

• Paramètres — 65B dense (tous actifs) vs ~2,8T au total / ~104B actifs, selon des trackers tiers

• Contexte — 1 M de jetons annoncés contre 1 048 576 jetons, annoncés et servis

• Licence — Apache 2.0 vs la licence Kimi K3, renommée, avec un seuil MaaS de 20 M$ sur 12 mois

• Poids sur disque — un checkpoint BF16 en un seul dépôt, plus les variantes NVFP4 et de base, contre ~1,56 To répartis sur 96 fragments MXFP4

• Modalité — texte en entrée, texte en sortie vs texte, image et vidéo en entrée, texte en sortie

• Prix — $0.20 / $0.60 par million de tokens d’entrée/sortie sur les annonces de tiers, contre $2.00 / $10.00, le tarif appliqué par notre propre catalogue

Le chiffre qui ressemble à une raclée n’en est pas une

La fiche de Ripple indique 80,5 sur Terminal-Bench 2.1. L'annonce du lancement de Kimi indique 65,7 sur Terminal-Bench 4.0. Mis côte à côte, Ripple semble l'emporter de près de 15 points pour une fraction de la taille. Cette comparaison n'a aucun sens, et elle est faite sans arrêt dans les réponses aux deux fils de lancement.

Terminal-Bench 4.0 est une révision ultérieure et plus difficile du harnais que 2.1. Un modèle qui obtient 80 sur le jeu de tâches 2.1 n’a pas été démontré à moins de quinze points d’un modèle qui obtient 65,7 sur 4.0 — il a été démontré qu’il a passé un examen différent. Le même piège engloutit les autres comparaisons qui circulent : les 79,1 de Ripple sur SWE-bench Pro v2.0 Hard, ses 44,3 sur DeepSWE 1.1, ses 76,5 sur SWE-bench Verified, face aux 51,7 de Kimi sur SWE Marathon v1.1 et 61,2 sur Kimi Code Bench 3.0 Long-horizon. Ce sont six benchmarks, dont aucun n’est commun.

Même un seul laboratoire mesurant un seul benchmark n’est pas d’accord avec lui-même d’un harness à l’autre. Le score de Kimi K3.1 Pro à Terminal-Bench 4.0 apparaît comme 65,7 selon Moonshot, 63,6 selon Vals AI et 67 selon Artificial Analysis — un écart de 3,4 points sur le même modèle et la même version du benchmark, uniquement dû à l’outillage. Si trois exécutions d’un même benchmark sur un même modèle varient à ce point, une comparaison inter-versions entre deux modèles n’est pas une mesure. C’est de la décoration.

Ricursive dit la même chose dans sa propre fiche, avec plus de discrétion que le fil de lancement. La fiche indique que « répliquer les scores des benchmarks a été difficile » et que les scores ont été obtenus avec un effort maximal en BF16. Relisez cette phrase deux fois avant de mettre 80,5 dans une diapositive.

L’axe que vous pouvez réellement comparer

Deux choses sont directement comparables parce qu’il ne s’agit pas de scores de benchmark : ce que coûte le modèle et ce qu’il faut pour l’exécuter.

Côté prix, l’écart est d’environ dix pour un. Kimi K3.1 Pro est à 2,00 $ par million de jetons d’entrée et à 10,00 $ par million de jetons de sortie dans notre catalogue, qui répercute le prix catalogue de Moonshot sans marge. Ripple 65B Preview est affiché à 0,20 $ et 0,60 $ sur son premier point de terminaison hébergé — un chiffre à considérer comme provisoire, car Ricursive n’a pas publié sa propre grille tarifaire. Ce même point de terminaison sert un contexte de 16 384 jetons contre une fenêtre annoncée de 1 M, et au moins un outil de suivi qualifie le modèle de propriétaire alors que ses poids sont publics sur Hugging Face sous Apache 2.0. Quand les outils de suivi se trompent à ce point sur la licence, leur tarification mérite le même scepticisme.

La différence de coût la plus importante ne se situe pas au niveau du token. Elle se situe au niveau de la réponse. Kimi K3.1 Pro est un modèle de raisonnement qui émet de l'ordre de 55 000 tokens de sortie par tâche de l'indice Artificial Analysis ; à 10 $ par million de tokens de sortie, cela représente l'essentiel des 1,98 $ que coûte l'indice par tâche. Les chiffres de Ripple proviennent d'un modèle avec un post-entraînement léger et sans échelle de raisonnement configurable, il devrait donc en émettre bien moins — mais tant que personne n'a exécuté le même ensemble de tâches sur les deux, le chiffre par tâche reste une estimation, pas un fait. C'est le nombre de tokens par réponse, et non les dollars par token, qui fait généralement gagner les petits modèles, et c'est là que les comparaisons dans les fils de discussion sur le lancement ne vont jamais.

Le déploiement est le point où les deux divergent complètement.

Le téléchargement de Kimi K3.1 Pro représente environ 1,56 To répartis sur 96 fragments safetensors en MXFP4, QAT préservant la qualité à cette largeur. Vous ne l'exécuterez pas sur une station de travail. Les options réalistes sont un point de terminaison hébergé ou un cluster multi-nœuds, et la licence ajoute un seuil commercial qui compte à l'échelle : un déclencheur MaaS de 20 M$ sur 12 mois, plus une clause de nommage à 100 M d'utilisateurs mensuels ou 20 M$ de revenus mensuels.

Ripple 65B Preview est conçu pour l'autre extrémité de ce spectre. En BF16, le checkpoint fait environ 130 Go, ce qui explique pourquoi la phrase « tourne sur un MacBook » dans la couverture du lancement en fait plus qu'elle ne l'admet — 130 Go ne tiennent pas dans la mémoire unifiée d'un ordinateur portable sans quantification. Ce que la fiche de Ricursive revendique réellement, c'est un NVIDIA DGX Spark, plus 250 jetons par seconde sur deux B200 avec une taille de lot de 8 avant les noyaux personnalisés. Le dépôt fournit aussi une variante NVFP4, celle qui rend plausible le déploiement sur petite machine.

La question du déploiement se règle donc d'elle-même avant même que les benchmarks n'entrent en jeu. Si vous disposez d'un DGX Spark et d'aucun budget GPU, Ripple est un modèle que vous pouvez posséder. Si vous n'avez ni rack disponible ni l'envie de télécharger 1,56 To, Kimi est un modèle que vous louez.

Appeler l’un ou l’autre

C'est ici que les deux cessent d'être symétriques. Kimi K3.1 Pro est disponible dès aujourd'hui sur OrcaRouter à son tarif catalogue — 2,00 $ en entrée, 10,00 $ en sortie, 0 % de marge, de sorte que lorsque Moonshot baisse son prix, le changement parvient à votre clé le jour même plutôt qu'au cycle de facturation suivant. Une seule clé couvre ce modèle ainsi que le reste du catalogue, ce qui compte si vous utilisez Kimi comme palier d'escalade coûteux derrière une option par défaut moins chère.

Ripple 65B Preview ne figure pas dans notre catalogue, et nous n’allons pas prétendre le contraire. Il accède à une API via le point de terminaison propre à Ricursive et des plateformes tierces, et ses poids sont sur Hugging Face si vous les voulez directement. Une toute nouvelle version Preview, avec une fiche qui admet que ses propres scores sont difficiles à reproduire, est exactement le cas où l’on veut le modèle derrière un routeur plutôt qu’intégré en dur dans un chemin de production — mais cela n’aide qu’une fois qu’un fournisseur l’ouvre au routage tiers.

Lequel choisir

Choisissez Kimi K3.1 Pro si le travail s’inscrit sur le long terme et est ouvert : de gros refactorings dans un grand dépôt, l’analyse de documents à partir de 200K tokens, tout cas où l’entrée d’images vous évite une étape OCR distincte, ou tout cas où vous avez besoin que le modèle maintienne un plan sur des centaines d’appels d’outils. Vous payez des prix proches de ceux de la frontière et vous devriez vous attendre à un comportement proche de la frontière. L’écart de 3,4 points entre les harnais est du bruit ; le contexte de 1M et l’entrée multimodale ne le sont pas.

Choisissez Ripple 65B Preview si le travail est délimité et que vous voulez arrêter de payer au token : un agent de codage sur un ensemble de tâches fixe, un assistant local sur du matériel que vous possédez déjà, une cible de fine-tuning — Apache 2.0 et un checkpoint dense de 65B constituent un point de départ bien plus accueillant qu'un MoE de 1,56 To. Considérez le 80,5 comme une affirmation du laboratoire qui a créé le modèle, sur une révision de benchmark sur laquelle personne d'autre n'a publié, et validez-le sur vos propres tâches avant qu'il n'entre en ligne de compte dans une décision de production.

Et si vous voulez la comparaison qui permettrait vraiment de trancher, elle n’existe pas encore. Personne n’a fait passer Ripple 65B Preview et Kimi K3.1 Pro dans le même harnais à la même version. Tant que personne ne l’a fait, le seul classement honnête est par profil : un petit modèle que vous pouvez posséder face à un grand modèle que vous pouvez louer, avec un rapport de prix d’environ dix pour un et aucun examen commun pour départager.