Ripple 65B Preview vs Muse Wonder: Apa yang Sebenarnya Anda Dapatkan dengan Harga 20× Lipat

Ada tepat satu tolok ukur yang sama-sama diterbitkan oleh Ripple 65B Preview dan Muse Wonder, pada versi yang sama, dengan angka yang dapat dimasukkan ke dalam satu kalimat: DeepSWE 1.1. Muse Wonder dari Meta melaporkan 78.8. Ripple 65B Preview dari Ricursive melaporkan 44.3. Itu adalah selisih 34.5 poin dalam pekerjaan agen rekayasa perangkat lunak, dan itu satu-satunya perbandingan bersih yang ditawarkan kedua peluncuran — sisanya entah merupakan revisi tolok ukur yang berbeda atau kolom yang berisi tanda hubung.

Jadi pertanyaannya bukan apakah Muse Wonder lebih baik dalam tugas itu. Jelas lebih baik, berdasarkan angka dari pihak lab itu sendiri. Pertanyaannya adalah apakah keunggulannya cukup untuk membenarkan biaya yang kira-kira dua puluh kali lipat untuk input dan tiga puluh tiga kali lipat untuk output. Itu keputusan nyata dengan jawaban nyata, dan jawabannya tidak sama untuk setiap beban kerja.

Mengapa DeepSWE 1.1 adalah pertarungan yang adil

Kedua laboratorium menjalankan versi 1.1 dari evaluasi yang sama. Tidak ada yang mempublikasikan pengujian ulang oleh pihak ketiga, jadi kedua angka membawa catatan yang sama — dilaporkan vendor dan belum direproduksi — dan simetri itulah yang membuat perbandingannya dapat digunakan. Ketika dua klaim sama-sama memiliki kepentingan sendiri, selisih di antara keduanya tetap informatif.

Bandingkan itu dengan Terminal-Bench, di mana kedua lab sama sekali tidak mengikuti ujian yang sama. Ripple melaporkan 80,5 pada Terminal-Bench 2.1. Meta melaporkan Muse Wonder Full sebesar 57,1 pada Terminal-Bench 4.0, revisi yang lebih baru dan lebih sulit. Siapa pun yang menyandingkan angka-angka itu untuk menyatakan Ripple sebagai pemenang sedang membandingkan model yang mengerjakan kertas ujian 2024 dengan model yang mengerjakan kertas ujian 2026. Framing Meta sendiri hati-hati di sini, sedangkan utas peluncuran Ricursive tidak.

Satu peringatan lagi di sisi Meta: tabel JobBench perusahaan mengklaim 75,3 untuk Muse Wonder Full versus 30,8 untuk Muse Wonder standar, selisih 44 poin yang belum direproduksi oleh evaluator independen mana pun. Anggap tabel benchmark internal dari lab mana pun sebagai materi pemasaran sampai ada orang di luar organisasi yang menjalankannya.

Berapa sebenarnya selisih harganya

Muse Wonder adalah $4,00 per juta token input dan $20,00 per juta token output, dengan input yang di-cache sebesar $0,20. Ripple 65B Preview tercantum pada $0,20 dan $0,60 di endpoint hosted pertamanya — angka yang perlu dipegang dengan longgar, karena Ricursive belum menerbitkan kartu tarif dan endpoint tersebut melayani konteks 16.384 token dibandingkan jendela 1M yang diiklankan. Bahkan dengan menerima daftar itu apa adanya, rasionya adalah 20× pada input dan 33× pada output.

Rasio per token membuat model kecil tampak lebih unggul dan menyesatkan soal tagihan sebenarnya, jadi berikut perhitungan untuk beban kerja yang mungkin benar-benar Anda jalankan. Misalkan agen coding Anda menghasilkan 50 juta token keluaran per bulan dan membaca 200 juta token masukan untuk melakukannya.

• Di Muse Wonder: 200 × $4,00 = $800 input, ditambah 50 × $20,00 = $1.000 output. Total $1.800 per bulan.

• Pada Ripple 65B Preview dengan tarif yang tercantum: 200 × $0,20 = $40 untuk input, ditambah 50 × $0,60 = $30 untuk output. Total $70 per bulan.

• Selisihnya: $1,730 per bulan, atau sekitar $20,760 per tahun, untuk jumlah token nominal yang sama.

Sekarang bagian yang luput dari spreadsheet. Jika Ripple gagal pada satu dari tiga tugas dan Anda mencobanya lagi, volume keluaran efektif Anda naik setengah. Dengan dua kali percobaan ulang, Anda sudah menggandakannya. Titik impasnya tidak samar — Ripple bisa tiga puluh tiga kali lebih tidak efisien per token dan tetap lebih murah — tetapi mode kegagalannya lebih buruk daripada tagihannya. Agen coding yang gagal pada sepertiga tugasnya bukan hanya lebih mahal; ia membuat Anda kehilangan engineer yang harus menyadari, membongkar, dan menjalankan ulang pekerjaan itu. Perhitungkan biaya pengawasan, bukan hanya token.

Artificial Analysis menempatkan Muse Wonder (Max) pada US$6,95 per tugas indeks di halaman model live-nya — satuan yang lebih jujur daripada dolar per juta, dan satuan yang tidak memiliki padanan bagi Ripple, karena belum ada yang menjalankannya melalui kumpulan tugas standar.

Apa yang Meta tagih, selain bobotnya

Muse Wonder adalah model tertutup dengan cakupan input yang luar biasa luas: teks, gambar, video, audio, dan PDF masuk, teks keluar, dengan konteks 1.048.576 token dan batas keluaran 131.072 token. Model ini menjalankan penalaran yang selalu aktif dengan enam tingkat upaya yang dapat dipilih, mendukung pemanggilan alat paralel dan keluaran terstruktur, serta menawarkan dua fitur yang tidak memiliki padanan sama sekali pada kartu Ripple — Active Memory, yang membawa konteks antarpercakapan, dan Active Focus, yang dirancang untuk menjaga tugas panjang tetap utuh tanpa melenceng.

Apakah Anda peduli sepenuhnya bergantung pada bentuk beban kerja Anda. Jika agen Anda harus membaca tangkapan layar dari tes yang gagal, mentranskripsikan panggilan pelanggan, dan mencocokkannya dengan faktur PDF dalam satu proses, tidak ada satu pun skor benchmark Ripple yang membantu Anda, karena Ripple 65B Preview menerima teks dan mengembalikan teks. Kesenjangan modalitas bukanlah perbedaan performa yang dapat Anda tutup dengan prompt yang lebih baik.

Muse Wonder (Max) mencetak 44 pada Intelligence Index dari Artificial Analysis — #26 dari 66 model di kelasnya, dan di atas median 36 untuk model yang sebanding, meskipun tidak lagi 52 yang nyaris terdepan seperti yang dilaporkan liputan minggu peluncuran. Indeks tersebut dibangun ulang pada akhir Oktober dan beberapa model bergeser. Ripple 65B Preview tidak muncul sama sekali di dalamnya.

Berapa nilai Apache 2.0

Ripple 65B Preview adalah model dengan 65 miliar parameter dense di bawah Apache 2.0, dengan bobot lengkap di Hugging Face dalam BF16 plus NVFP4 dan varian model dasar. Dalam BF16, checkpoint tersebut berukuran sekitar 130 GB, yang termasuk wilayah DGX Spark atau proses kuantisasi di mesin yang lebih kecil — bukan MacBook, meskipun liputan peluncuran menyebut demikian, kecuali Anda menjalankan build NVFP4. Ricursive mengklaim 250 token per detik pada dua B200 dengan ukuran batch 8 sebelum ada kernel kustom, dan sekitar 40% MFU melalui pra-pelatihan dengan sharding biasa.

Yang Anda dapatkan dari itu adalah semua yang tidak bisa diberikan model tertutup terkelola: kemampuan melakukan fine-tuning pada data Anda sendiri, menjalankan inferensi tanpa tagihan per token dan tanpa data keluar dari jaringan Anda, menyematkan versi untuk selamanya, dan menyajikannya pukul 3 pagi tanpa bergantung pada halaman status pihak lain. Untuk beban kerja yang teregulasi, daftar itu sering kali bernilai lebih dari 34 poin DeepSWE. Untuk startup yang merilis agen kuartal ini, biasanya tidak.

Ada juga asimetri lisensi yang perlu disebut. Apache 2.0 kurang lebih sepermisif yang bisa didapat dari bobot terbuka. Muse Wonder sepenuhnya tertutup — saudara berbobot terbuka Meta dalam keluarga ini adalah Muse Spark Open, model 816B yang berbeda dan jauh lebih besar dengan 42B parameter aktif dan 256 pakar, bukan versi Muse Wonder yang lebih kecil. Jika bobot terbuka merupakan persyaratan, bukan preferensi, perbandingan ini berakhir di sini.

Menjalankan keduanya secara berdampingan

Tidak ada dari kedua model itu yang ada di katalog kami saat ini, dan tidak ada yang akan disiratkan demikian. Muse Wonder menjangkau pengembang melalui API milik Meta sendiri; Ripple melalui endpoint Ricursive dan platform pihak ketiga, dengan bobot di Hugging Face. Yang membuat router berguna dalam situasi ini adalah hal yang jelas terlihat dari kedua peluncuran tersebut: Anda tidak ingin jalur produksi tersambung ke Preview yang baru berumur satu hari yang kartunya sendiri menyatakan skornya sulit direplikasi. Anda ingin model itu berada di balik fallback, mengambil sebagian trafik yang bisa Anda naikkan seiring bukti terkumpul — failover otomatis ke model yang terbukti baik saat terjadi error atau timeout, bukan penulisan ulang saat eksperimennya mengecewakan.

Pola itu juga cara Anda menjawab pertanyaan harga secara empiris. Alihkan 10% lalu lintas coding Anda ke Ripple, pertahankan 90% pada Muse Wonder, dan bandingkan bukan tagihan token melainkan biaya tugas yang diselesaikan — termasuk percobaan ulang dan waktu manusia. Satu kunci API, satu baris penagihan, dan angka yang dapat Anda pertahankan dalam rapat perencanaan, yang lebih dari apa pun yang bisa diberikan tabel tolok ukur kepada Anda.

Siapa yang seharusnya membayar dua puluh kali lipat

Bayar untuk Muse Wonder jika pekerjaan Anda bersifat multimodal, berjangka panjang, atau berhadapan langsung dengan pelanggan: agen yang membaca tangkapan layar, asisten yang perlu mengingat pengguna lintas sesi, apa pun yang tingkat halusinasinya 27% sudah terlalu tinggi dan Anda membutuhkan keandalan yang diperoleh dari post-training laboratorium terdepan. Biaya $6.95 per tugas indeks adalah harga yang wajar untuk model yang menyelesaikan tugas.

Jalankan Ripple 65B Preview jika pekerjaannya hanya teks, berbatas, dan bervolume tinggi, serta jika Anda memiliki perangkat keras atau endpoint murah: klasifikasi batch, tinjauan kode dengan rubrik tetap, asisten lokal, basis fine-tuning. Pada $0.20 dan $0.60, model ini tiga puluh tiga kali lebih murah pada output, dan pada beban kerja yang sesuai dengan kekuatannya, rasio itu mengalahkan defisit 34,5 poin pada satu benchmark.

Kesalahan yang mungkin terjadi adalah membaca selisih DeepSWE sebagai sebuah putusan. Itu hanyalah satu ujian, dikerjakan sekali, dan dilaporkan oleh lab yang menyusunnya. Angka yang seharusnya menentukan hal ini bagi Anda bukanlah 78,8 versus 44,3 — melainkan bagaimana kumpulan tugas Anda sendiri berperilaku ketika Anda menjalankan keduanya, dan angka itu belum ada sampai Anda menghasilkannya.