Ripple 65B Preview vs Muse Wonder：20倍の価格で実際に何が手に入るのか

Ripple 65B Preview と Muse Wonder の両方が、同じバージョンで、同じ文に並べられる数値として公表したベンチマークはただ一つだけです。それが DeepSWE 1.1 です。Meta の Muse Wonder は 78.8 を報告しています。Ricursive の Ripple 65B Preview は 44.3 を報告しています。これはソフトウェアエンジニアリングのエージェント作業における 34.5 ポイントの差であり、両リリースが提供する唯一のクリーンな比較です。それ以外はすべて、異なるベンチマーク改訂版か、ダッシュが入った列のどちらかです。

つまり、問題はMuse Wonderがそのタスクで優れているかどうかではない。ラボ自身の数値を見れば、明らかに優れている。問題は、入力で約20倍、出力で約33倍のコストがかかることを正当化できるほど、十分に優れているかどうかだ。これは現実の判断であり、現実の答えがある。そして、その答えはすべてのワークロードで同じではない。

なぜDeepSWE 1.1がフェアな戦いなのか

両社のラボは同じ評価のバージョン1.1を実施した。どちらも第三者による再実行を公開していないため、両方の数値には同じ注意書きが付く。すなわちベンダー申告によるもので再現されていない、という点だ。そしてこの対称性こそが、この比較を有用なものにしている。二つの主張が等しく自己利益的であるとき、その間の差は依然として示唆に富む。

それをTerminal-Benchと対比すると、そこでは2つのラボはまったく同じ試験を受けていない。RippleはTerminal-Bench 2.1で80.5を報告している。Metaは、より後発で難しい改訂版であるTerminal-Bench 4.0でMuse Wonder Fullが57.1だと報告している。それらを並べてRippleを勝者だと宣言する人は、2024年の試験問題を受けたモデルと2026年の試験問題を受けたモデルを比較していることになる。Meta自身の表現はここでは慎重だが、Ricursiveのローンチスレッドはそうではなかった。

メタ側でもう一点注意が必要です。同社のJobBench表は、Muse Wonder Fullについて75.3、標準のMuse Wonderについて30.8と主張しており、44ポイントの差がありますが、これを再現した独立系評価者は誰もいません。どのラボの内部ベンチマーク表も、建物の外の誰かが実行するまではマーケティング資料として扱うべきです。

実際の価格差はどれくらいなのか

Muse Wonder は100万入力トークンあたり$4.00、100万出力トークンあたり$20.00で、キャッシュ済み入力は$0.20です。Ripple 65B Preview は最初のホスト型エンドポイントで$0.20と$0.60に掲載されています — これは鵜呑みにすべき数字ではありません。Ricursive は料金表を公開しておらず、そのエンドポイントは宣伝されている1Mウィンドウに対して16,384トークンのコンテキストを提供しているからです。掲載値を額面通りに受け取っても、比率は入力で20倍、出力で33倍です。

トークン単価の比率は小型モデルを実際より良く見せ、実際の請求額について誤解を招く。そこで、実際に動かしそうなワークロードでの計算を示そう。たとえば、コーディングエージェントが月に5,000万出力トークンを生成し、そのために2億入力トークンを読み込むとする。

• Muse Wonderの場合：入力 200 × $4.00 = $800、さらに出力 50 × $20.00 = $1,000。合計は月額$1,800です。

• Ripple 65B Preview の場合、記載の料金で: 入力 200 × $0.20 = $40、出力 50 × $0.60 = $30。合計は月額 $70 です。

• その差は、同じ名目上のトークン数に対して、月額1,730ドル、つまり年間およそ20,760ドルです。

ここからが、表計算ソフトでは見落とされる部分だ。Rippleが3回に1回タスクに失敗し、それを再試行すれば、実効出力量は1.5倍になる。2回再試行すれば2倍だ。損益分岐点は微妙な話ではない——Rippleはトークンあたり33倍非効率でも、それでもコストは安く済む——しかし、失敗の仕方は請求額よりも深刻だ。タスクの3分の1を失敗するコーディングエージェントは、単にコストが増えるのではない。その作業に気づき、巻き戻し、再実行しなければならないエンジニアのコストがかかるのだ。トークンだけでなく、監督のコストも見積もれ。

Artificial Analysisは、ライブモデルページでMuse Wonder (Max)をインデックスタスク1件あたり6.95ドルと評価している——これは100万あたりのドルよりも正直な単位であり、Rippleには同等の単位が存在しない。誰もRippleを標準的なタスクセットで実行したことがないからだ。

Metaがモデルの重み以外で課金しているもの

Muse Wonderはクローズドモデルでありながら、入力対象が異例に広いのが特徴です。テキスト、画像、動画、音声、PDFを入力として受け取り、テキストを出力します。コンテキスト長は1,048,576トークン、出力上限は131,072トークンです。常時オンの推論を備え、推論強度は6段階から選択でき、並列ツール呼び出しと構造化出力に対応しています。さらに、Rippleのカードには全く相当する機能がない2つの機能を備えています。会話をまたいでコンテキストを保持するActive Memoryと、長いタスクを逸脱せずに一貫して遂行できるよう設計されたActive Focusです。

それが気になるかどうかは、完全にあなたのワークロードの形次第です。エージェントが、失敗したテストのスクリーンショットを読み取り、顧客通話を文字起こしし、それをPDF請求書と突き合わせて一度に照合しなければならないなら、Rippleのベンチマークスコアは何の役にも立ちません。Ripple 65B Previewはテキストを受け取り、テキストを返すからです。モダリティのギャップは、より良いプロンプトで埋められる性能差ではありません。

Muse Wonder（Max）はArtificial AnalysisのIntelligence Indexで44を記録している。同クラスの66モデル中26位で、同等モデルの中央値36を上回っているものの、ローンチ週の報道が伝えたフロンティアに近い52ではなくなった。この指数は10月下旬に再構築され、複数のモデルの順位が変動した。Ripple 65B Previewはそこにまったく掲載されていない。

Apache 2.0 の価値とは

Ripple 65B PreviewはApache 2.0ライセンス下の650億密パラメータモデルで、Hugging FaceにはBF16の完全な重みに加え、NVFP4版とベースモデル版のバリアントが公開されています。BF16ではそのチェックポイントは約130GBで、これはDGX Sparkの領域か、より小型のマシンでの量子化実行向けであり、ローンチ時の報道に反してMacBookではありません——ただしNVFP4ビルドを動かす場合は別です。Ricursiveは、カスタムカーネルを一切使わずにバッチサイズ8で2台のB200上で毎秒250トークン、プレトレーニングを通じて単純なシャーディングで約40%のMFUを達成すると主張しています。

それが手に入れるものは、ホスト型のクローズドモデルでは決して得られないすべてだ。自社データでファインチューニングできること、トークンごとの課金もデータが自社ネットワーク外に出ることもなく推論を実行できること、あるバージョンを永久に固定できること、そして他人のステータスページに依存せず午前3時でもサービスを提供できること。規制の厳しいワークロードにとって、このリストは34ポイントのDeepSWEスコアよりも価値があることが多い。今四半期にエージェントを出荷するスタートアップにとっては、たいていそうではない。

また、名前をつけておく価値のあるライセンスの非対称性もある。Apache 2.0 は、オープンウェイトとしてはほぼ最も寛容な部類だ。Muse Wonder は完全にクローズドであり、この系統における Meta のオープンウェイトの兄弟分は Muse Spark Open だ。これは Wonder の小型版ではなく、別物のはるかに大規模な 816B モデルで、42B のアクティブパラメータと 256 個のエキスパートを備える。オープンウェイトが好みではなく必須条件なのであれば、この比較はここで終わりだ。

二つを並行して実行する

どちらのモデルも現在当社のカタログには掲載されておらず、掲載されていると示唆されることもありません。Muse WonderはMeta自身のAPIを通じて、RippleはRicursiveのエンドポイントおよびサードパーティのプラットフォームを通じて開発者に届き、重みはHugging Faceで公開されています。この状況でルーターが役立つのは、両方のローンチが明らかにしていることです。つまり、本番経路を、公開から1日しか経っていない、しかもモデルカード自体がスコアの再現は難しいと記しているPreviewに直結させたくはないということです。そのモデルはフォールバックの背後に置き、証拠が蓄積するにつれて引き上げられるトラフィックシェアを担わせたい——実験が期待外れに終わったときに作り直すのではなく、エラーやタイムアウト時には実績のあるモデルへ自動フェイルオーバーするのです。

そのパターンは、価格の問いにも実証的に答える方法でもあります。コーディングトラフィックの10%をRippleに振り、90%はMuse Wonderに残し、トークン料金ではなく完了タスクあたりのコスト——リトライと人的時間を含めて——を比較するのです。1つのAPIキー、1つの請求ライン、そして計画会議で擁護できる数字。それはどんなベンチマーク表よりも価値があります。

20倍分は誰が支払うべきなのか

あなたの仕事がマルチモーダル、長期的、または顧客対応型なら、Muse Wonder に料金を払う価値があります。スクリーンショットを読み取るエージェント、セッションをまたいでユーザーを記憶する必要があるアシスタント、27% のハルシネーション率ですでに高すぎるあらゆる場面で、フロンティアラボのポストトレーニングがもたらす信頼性が必要です。インデックスタスクあたり $6.95 は、タスクを完了するモデルに対して妥当な価格です。

Ripple 65B Preview は、作業がテキストのみで、範囲が限定され大量処理であり、ハードウェアまたは安価なエンドポイントがある場合に実行してください。バッチ分類、固定ルーブリックでのコードレビュー、ローカルアシスタント、ファインチューニングの基盤などです。$0.20 と $0.60 では出力が33倍安くなり、その強みを活かせるワークロードでは、その比率は1つのベンチマークにおける34.5ポイントの劣勢を上回ります。

DeepSWEの差を判定と受け取るのは誤りだ。それは一度だけ受験され、作成したラボが報告する一つの試験にすぎない。これを決めるべき数字は78.8対44.3ではない。あなた自身のタスクセットで両方を実行したときにどうなるかであり、その数字は生成するまで存在しない。