Ripple 65B Preview vs Kimi K3.1 Pro: due rilasci open-weight, zero benchmark condivisi

Il 4 novembre 2026 sono stati rilasciati due modelli open-weight a poche ore di distanza l’uno dall’altro, e quasi nessuno li ha confrontati in modo adeguato. Ripple 65B Preview è un modello denso da 65 miliardi di parametri di Ricursive Intelligence, preaddestrato da zero su 12 trilioni di token e rilasciato con licenza Apache 2.0. Kimi K3.1 Pro è il modello di punta sparse da mille miliardi di parametri di Moonshot AI, la cui API è stata aperta il 23 ottobre e i cui pesi — circa 1,56 TB — sono diventati pubblici il 4 novembre. Uno è abbastanza piccolo da stare su una scrivania; l’altro richiede un data center. La domanda ovvia è quale sia migliore, e la risposta onesta è che nessun numero pubblicato permette di rispondere, perché i due laboratori non hanno eseguito un solo benchmark sulla stessa versione.

Non è un espediente retorico. È la cosa più utile in questa pagina: se stai scegliendo tra questi due, stai scegliendo tra due tipi diversi di scommessa, e la tabella dei benchmark non può fare quella scelta al posto tuo.

Cosa è realmente ciascun modello

Ripple 65B Preview è denso, non sparso. Ognuno dei suoi 65 miliardi di parametri viene attivato su ogni token, in un transformer "sottile e profondo" a 80 strati con un residual stream ampio 5.120. Ricursive descrive il design come un allontanamento dall'architettura Olmo 3 verso una simile a Gemma 3N: teste di attenzione sovradimensionate, un rapporto più elevato tra attenzione a finestra scorrevole e globale, attenzione con gating, NoPE globale, residui sui value e clipping dell'attivazione FFN. L'addestramento è durato 877.500 passi con lunghezza di sequenza 8K su un corpus solo testuale, prevalentemente inglese e codice, seguito da midtraining, una fase di contesto lungo e un RL leggero incentrato sul coding agentico. Ricursive stima il costo computazionale in 32 milioni di dollari.

Kimi K3.1 Pro è la forma opposta. È un modello Mixture-of-Experts della classe dei trilioni di parametri — i tracker di terze parti lo collocano intorno a 2,8T totali con circa 104B attivi per token — e le note di rilascio di Moonshot lo descrivono come un K3 post-addestrato con un budget di RL molto più ampio distribuito su centinaia di domini. Il materiale di lancio dell'azienda lo definisce una versione post-addestrata di K3, ma la model card racconta una storia più specifica: la backbone è passata da 24 layer Gated MLA a 24 layer Gated DSA. Viene fornito con input di testo, immagini e video, sforzo di ragionamento configurabile e una finestra di contesto di 1.048.576 token.

• Parametri — 65B densi (tutti attivi) vs ~2,8T totali / ~104B attivi, secondo tracker di terze parti

• Contesto — 1M di token pubblicizzati vs 1.048.576 token, pubblicizzati ed erogati

• Licenza — Apache 2.0 vs la licenza Kimi K3, rinominata, con una soglia MaaS di 20 M$/12 mesi

• Pesi su disco — un checkpoint BF16 in un unico repository più le varianti NVFP4 e base rispetto a ~1,56 TB su 96 shard MXFP4

• Modalità — testo in input, testo in output vs testo, immagine e video in input, testo in output

• Prezzo — 0,20 $ / 0,60 $ per milione di token di input/output nelle inserzioni di terze parti rispetto a 2,00 $ / 10,00 $, che è la tariffa applicata dal nostro catalogo

Il numero che sembra una vittoria schiacciante non lo è

La scheda di Ripple riporta 80,5 su Terminal-Bench 2.1. Il lancio di Kimi riporta 65,7 su Terminal-Bench 4.0. Mettili a confronto e Ripple sembra vincere di quasi 15 punti con una frazione delle dimensioni. Quel confronto è privo di senso, ed è fatto continuamente nelle risposte a entrambi i thread di lancio.

Terminal-Bench 4.0 è una revisione successiva e più difficile dell'harness rispetto alla 2.1. Non è stato dimostrato che un modello che ottiene 80 sul set di attività 2.1 sia entro quindici punti da un modello che ottiene 65.7 su 4.0 — è stato dimostrato che ha sostenuto un esame diverso. La stessa trappola inghiotte gli altri confronti che circolano: il 79.1 di Ripple su SWE-bench Pro v2.0 Hard, il suo 44.3 su DeepSWE 1.1, il suo 76.5 su SWE-bench Verified, contro il 51.7 di Kimi su SWE Marathon v1.1 e il 61.2 su Kimi Code Bench 3.0 Long-horizon. Quelli sono sei benchmark, nessuno dei quali condiviso.

Anche un singolo laboratorio che misura un singolo benchmark ottiene risultati discordanti al variare dell'harness. Il valore di Kimi K3.1 Pro su Terminal-Bench 4.0 risulta pari a 65,7 secondo Moonshot, 63,6 secondo Vals AI e 67 secondo Artificial Analysis — una differenza di 3,4 punti sullo stesso modello e sulla stessa versione del benchmark, dovuta esclusivamente agli strumenti utilizzati. Se tre esecuzioni di un unico benchmark su un unico modello variano così tanto, un confronto tra versioni diverse tra due modelli non è una misurazione. È decorazione.

Ricursive lo dice nella propria scheda, con più discrezione rispetto al thread di lancio. La scheda osserva che "replicare i punteggi dei benchmark è stato difficile" e che i punteggi sono stati ottenuti con il massimo sforzo in BF16. Rileggi quella frase due volte prima di mettere 80.5 in una slide.

L'asse che puoi davvero confrontare

Due cose sono direttamente confrontabili perché non sono punteggi di benchmark: quanto costa il modello e cosa serve per eseguirlo.

Sul prezzo, il divario è di circa dieci a uno. Kimi K3.1 Pro costa 2,00 $ per milione di token in input e 10,00 $ per milione in output sul nostro catalogo, che applica il prezzo di listino di Moonshot senza ricarico. Ripple 65B Preview è listato a 0,20 $ e 0,60 $ sul suo primo endpoint ospitato — un dato da considerare provvisorio, perché Ricursive non ha pubblicato un proprio tariffario. Lo stesso endpoint serve una finestra di contesto di 16.384 token rispetto a una finestra dichiarata di 1M, e almeno un tracker definisce il modello proprietario mentre i suoi pesi sono pubblicamente su Hugging Face sotto Apache 2.0. Quando i tracker sbagliano così tanto sulla licenza, anche il loro prezzo merita lo stesso scetticismo.

La differenza di costo più grande non è per token. È per risposta. Kimi K3.1 Pro è un modello di ragionamento che emette nell'ordine di 55.000 token di output per attività dell'indice Artificial Analysis; a 10 $ per milione di output, si tratta della maggior parte dei 1,98 $ che l'indice costa per attività. I numeri di Ripple provengono da un modello con un post-training leggero e nessuna scala di ragionamento configurabile, quindi dovrebbe emetterne molti meno — ma finché qualcuno non esegue lo stesso set di attività su entrambi, il dato per attività è una stima, non un fatto. È sul numero di token per risposta, non sui dollari per token, che i modelli piccoli di solito vincono e dove i confronti nei thread di lancio non arrivano mai.

Il deployment è il punto in cui i due divergono completamente.

Il download di Kimi K3.1 Pro è di circa 1,56 TB distribuiti su 96 shard safetensors in MXFP4, con il QAT che mantiene la qualità a quella larghezza. Non lo esegui su una workstation. Le opzioni realistiche sono un endpoint ospitato o un cluster multi-nodo, e la licenza aggiunge una soglia commerciale che conta su larga scala: una condizione di attivazione MaaS da 20 milioni di dollari su 12 mesi, più una clausola di denominazione a 100 milioni di utenti mensili o 20 milioni di dollari di ricavi mensili.

Ripple 65B Preview è progettato per l'altro estremo di quello spettro. In BF16 il checkpoint è di circa 130 GB, ed è per questo che la frase "gira su un MacBook" negli articoli del lancio fa più lavoro di quanto ammetta: 130 GB non entrano nella memoria unificata di un laptop senza quantizzazione. Ciò che la scheda di Ricursive dichiara in realtà è una NVIDIA DGX Spark, oltre a 250 token al secondo su due B200 con batch size 8 prima dei kernel personalizzati. Il repository include anche una variante NVFP4, ed è quella che rende plausibile il deployment su macchine piccole.

Quindi la questione del deployment si risolve da sola prima ancora che lo facciano i benchmark. Se hai una DGX Spark e nessun budget per la GPU, Ripple è un modello che puoi possedere. Se non hai né un rack libero né la voglia di scaricare 1,56 TB, Kimi è un modello che noleggi.

Chiamare uno dei due

È qui che i due smettono di essere simmetrici. Kimi K3.1 Pro è su OrcaRouter oggi alla sua tariffa di listino — $2.00 in ingresso, $10.00 in uscita, 0% di ricarico, così quando Moonshot riduce il prezzo la modifica raggiunge la tua chiave lo stesso giorno anziché al ciclo di fatturazione successivo. Una sola chiave copre quel modello insieme al resto del catalogo, il che conta se usi Kimi come livello di escalation costoso dietro un default più economico.

Ripple 65B Preview non è nel nostro catalogo, e non abbiamo intenzione di far finta del contrario. Si accede a un'API tramite l'endpoint proprietario di Ricursive e piattaforme di terze parti, e i suoi pesi sono su Hugging Face se li vuoi direttamente. Una release Preview nuovissima con una model card che ammette che i suoi stessi punteggi sono difficili da replicare è esattamente il caso in cui vuoi il modello dietro un router anziché cablato in un percorso di produzione — ma questo aiuta solo una volta che un fornitore lo apre al routing di terze parti.

Quale scegliere?

Scegli Kimi K3.1 Pro se il lavoro ha un orizzonte lungo ed è aperto: grandi refactoring su un repository di vaste dimensioni, analisi di documenti da 200K token in su, qualsiasi attività in cui l'input di immagini ti risparmia un passaggio OCR separato, o qualsiasi attività in cui ti serve che il modello mantenga un piano attraverso centinaia di chiamate agli strumenti. Stai pagando prezzi prossimi alla frontiera e dovresti aspettarti un comportamento prossimo alla frontiera. La differenza di 3,4 punti tra i vari harness è rumore; il contesto da 1M e l'input multimodale non lo sono.

Scegli Ripple 65B Preview se il lavoro è circoscritto e vuoi smettere di pagare per token: un agente di coding su un set di attività fisso, un assistente locale su hardware che possiedi già, un target per il fine-tuning — Apache 2.0 e un checkpoint dense da 65B sono un punto di partenza molto più amichevole rispetto a un MoE da 1.56 TB. Considera l'80.5 come un'affermazione del laboratorio che ha creato il modello, su una revisione del benchmark su cui nessun altro ha pubblicato, e validalo sui tuoi task prima che entri in gioco in una decisione di produzione.

E se vuoi il confronto che chiarirebbe davvero la questione, non esiste ancora. Nessuno ha sottoposto Ripple 65B Preview e Kimi K3.1 Pro allo stesso harness, alla stessa versione. Finché qualcuno non lo farà, l’unica classifica onesta è per forma: un modello piccolo che puoi possedere contro un modello grande che puoi affittare, con un rapporto di prezzo di circa dieci a uno e nessun esame condiviso per rompere il pareggio.