Ripple 65B Preview vs Kimi K3.1 Pro: twee open-weight releases, nul gedeelde benchmarks

Op 4 november 2026 verschenen binnen enkele uren van elkaar twee modellen met open gewichten, en bijna niemand vergeleek ze op een degelijke manier. Ripple 65B Preview is een dicht model met 65 miljard parameters van Ricursive Intelligence, vanaf nul voorgetraind op 12 biljoen tokens en uitgebracht onder Apache 2.0. Kimi K3.1 Pro is het sparse vlaggenschip van Moonshot AI met een biljoen parameters, waarvan de API op 23 oktober opende en waarvan de gewichten — ongeveer 1,56 TB — op 4 november openbaar werden. De ene is klein genoeg om op een bureau te staan; de andere heeft een datacenter nodig. De voor de hand liggende vraag is welke beter is, en het eerlijke antwoord is dat geen enkel gepubliceerd cijfer je dat laat beantwoorden, omdat de twee labs geen enkele benchmark op dezelfde versie hebben uitgevoerd.

Dat is geen retorische ontwijking. Het is het nuttigste op deze pagina: als je tussen deze twee kiest, kies je tussen twee verschillende soorten weddenschappen, en de benchmarktabel kan die keuze niet voor je maken.

Wat elk model daadwerkelijk is

Ripple 65B Preview is dense, niet sparse. Alle 65 miljard parameters worden bij elk token geactiveerd, in een 80-laagse "thin-and-deep"-transformer met een 5.120 brede residual stream. Ricursive beschrijft het ontwerp als een beweging weg van de Olmo 3-architectuur naar een Gemma 3N-achtige architectuur: overvloedig bemeten attention heads, een hogere verhouding sliding-window- tot global-attention, gated attention, global NoPE, value residuals en FFN-activatieclipping. De training liep 877.500 stappen bij een sequentielengte van 8K op een tekst-only corpus dat grotendeels uit Engels en code bestond, gevolgd door midtraining, een long-contextfase en lichte RL gericht op agentic coding. Ricursive raamt de rekenkosten op $32M.

Kimi K3.1 Pro is het tegenovergestelde geval. Het is een Mixture-of-Experts-model in de klasse van biljoen parameters — trackers van derden schatten het op ongeveer 2,8T totaal, met circa 104B actief per token — en de release notes van Moonshot beschrijven het als een post-trained K3 met een veel groter RL-budget, verdeeld over honderden domeinen. Het eigen launchmateriaal van het bedrijf noemt het een post-trained versie van K3, maar de modelkaart vertelt een specifieker verhaal: de backbone is gegaan van 24 Gated MLA-lagen naar 24 Gated DSA-lagen. Het wordt geleverd met tekst-, beeld- en video-invoer, configureerbare reasoning-inspanning en een contextvenster van 1.048.576 tokens.

• Parameters — 65B dense (allemaal actief) vs ~2.8T totaal / ~104B actief, volgens externe trackers

• Context — 1M tokens geadverteerd versus 1.048.576 tokens, geadverteerd en geleverd

• Licentie — Apache 2.0 versus de Kimi K3-licentie, hernoemd, met een MaaS-drempel van $20M per 12 maanden

• Gewichten op schijf — één BF16-checkpoint uit één repo plus NVFP4- en basisvarianten versus ~1,56 TB verdeeld over 96 MXFP4-shards

Modaliteit — tekst in, tekst uit vs. tekst, afbeelding en video in, tekst uit

• Prijs — $0,20 / $0,60 per miljoen input-/outputtokens bij aanbiedingen van derden versus $2,00 / $10,00, het tarief dat onze eigen catalogus hanteert

Het getal dat op een afstraffing lijkt, is dat niet.

Ripples kaart rapporteert 80,5 op Terminal-Bench 2.1. Kimi's lancering rapporteert 65,7 op Terminal-Bench 4.0. Zet die naast elkaar en Ripple lijkt te winnen met bijna 15 punten, voor een fractie van de omvang. Die vergelijking is zinloos, en ze wordt voortdurend gemaakt in de reacties op beide lanceringsthreads.

Terminal-Bench 4.0 is een latere, moeilijkere herziening van de harness dan 2.1. Van een model dat 80 scoort op de 2.1-takenset is niet aangetoond dat het binnen vijftien punten zit van een model dat 65,7 scoort op 4.0 — er is aangetoond dat het een ander examen heeft afgelegd. Dezelfde valkuil treft de andere vergelijkingen die de ronde doen: Ripple's 79,1 op SWE-bench Pro v2.0 Hard, zijn 44,3 op DeepSWE 1.1, zijn 76,5 op SWE-bench Verified, tegenover Kimi's 51,7 op SWE Marathon v1.1 en 61,2 op Kimi Code Bench 3.0 Long-horizon. Dat zijn zes benchmarks, waarvan er niet één gedeeld is.

Zelfs één lab dat één benchmark meet, spreekt zichzelf al tegen tussen verschillende harnesses. Het Terminal-Bench 4.0-cijfer van Kimi K3.1 Pro verschijnt als 65,7 bij Moonshot, 63,6 bij Vals AI en 67 bij Artificial Analysis — een spreiding van 3,4 punten op hetzelfde model en dezelfde benchmarkversie, puur door de tooling. Als drie runs van één benchmark op één model al zo veel variëren, dan is een vergelijking tussen twee modellen over verschillende versies geen meting. Het is decoratie.

Ricursive zegt dat ook op zijn eigen modelkaart, ingetogener dan in de lanceringsthread. Op de kaart staat dat "het repliceren van benchmarkscores uitdagend is geweest" en dat de scores met maximale inspanning in BF16 zijn behaald. Lees die zin twee keer voordat je 80.5 in een dia zet.

De as die je echt kunt vergelijken

Twee dingen zijn rechtstreeks vergelijkbaar omdat het geen benchmarkscores zijn: wat het model kost en wat er nodig is om het te draaien.

Qua prijs bedraagt het verschil ongeveer tien tegen één. Kimi K3.1 Pro kost $2,00 per miljoen invoertokens en $10,00 per miljoen uitvoertokens in onze catalogus, die de lijstprijs van Moonshot doorgeeft zonder opslag. Ripple 65B Preview staat vermeld op $0,20 en $0,60 op zijn eerste gehoste endpoint — een cijfer dat als voorlopig moet worden beschouwd, omdat Ricursive geen eigen tariefkaart heeft gepubliceerd. Datzelfde endpoint biedt een context van 16.384 tokens tegenover een geadverteerd venster van 1M, en ten minste één tracker bestempelt het model als propriëtair terwijl de gewichten openbaar op Hugging Face staan onder Apache 2.0. Wanneer de trackers er zo ver naast zitten wat de licentie betreft, verdienen hun prijzen hetzelfde scepticisme.

Het grotere kostenverschil zit niet in de kosten per token. Het zit in de kosten per antwoord. Kimi K3.1 Pro is een reasoningmodel dat in de orde van 55.000 outputtokens per Artificial Analysis-indextaak produceert; bij $10 per miljoen output is dat het grootste deel van de $1,98 die de index per taak kost. De cijfers van Ripple komen van een model met lichte post-training en geen configureerbare reasoning-ladder, dus het zou veel minder moeten produceren — maar totdat iemand dezelfde set taken door beide laat lopen, is het cijfer per taak een schatting, geen feit. Tokens per antwoord, niet dollars per token, is waar kleine modellen meestal winnen en waar de vergelijkingen in de lanceringsthreads nooit komen.

Bij deployment lopen de twee volledig uiteen.

De download van Kimi K3.1 Pro is ongeveer 1,56 TB, verdeeld over 96 safetensors-shards in MXFP4, waarbij QAT de kwaliteit op die breedte behoudt. Je draait dit niet op een workstation. De realistische opties zijn een gehoste endpoint of een multi-nodecluster, en de licentie voegt een commerciële drempel toe die op schaal relevant is: een MaaS-trigger van $20 miljoen per 12 maanden, plus een clausule over naamsvermelding bij 100 miljoen maandelijkse gebruikers of $20 miljoen maandelijkse omzet.

Ripple 65B Preview is gebouwd voor het andere uiteinde van dat spectrum. In BF16 is het checkpoint ongeveer 130 GB, en daarom doet de regel "draait op een MacBook" in de berichtgeving rond de lancering meer werk dan hij toegeeft — 130 GB past zonder quantisatie niet in het unified memory van een laptop. Wat de kaart van Ricursive daadwerkelijk claimt, is een NVIDIA DGX Spark, plus 250 tokens per seconde op twee B200's bij batchgrootte 8 vóór custom kernels. De repo levert ook een NVFP4-variant, en dat is degene die uitrol op kleine machines aannemelijk maakt.

Dus de vraag over deployment beantwoordt zichzelf al voordat de benchmarks dat doen. Heb je een DGX Spark en geen GPU-budget, dan is Ripple een model dat je kunt bezitten. Heb je noch een spare rack, noch de zin om 1.56 TB te pullen, dan is Kimi een model dat je huurt.

Een van beide bellen

Hier houdt de symmetrie tussen de twee op. Kimi K3.1 Pro is vandaag beschikbaar op OrcaRouter tegen het lijsttarief — $2,00 in, $10,00 uit, 0% opslag, dus wanneer Moonshot zijn prijs verlaagt, bereikt die wijziging je sleutel dezelfde dag in plaats van pas in de volgende factureringscyclus. Eén sleutel dekt dat model naast de rest van de catalogus, wat van belang is als je Kimi inzet als de dure escalatielaag achter een goedkopere standaard.

Ripple 65B Preview staat niet in onze catalogus, en we gaan niet doen alsof dat anders is. Het bereikt een API via Ricursive's eigen endpoint en platforms van derden, en de weights staan op Hugging Face als je ze rechtstreeks wilt. Een gloednieuwe Preview-release met een modelkaart die toegeeft dat de eigen scores moeilijk te reproduceren zijn, is precies het geval waarin je het model achter een router wilt hebben in plaats van het vast te bedraden in een productiepad — maar dat helpt pas zodra een leverancier het openstelt voor routering door derden.

Welke moet je kiezen?

Kies Kimi K3.1 Pro als het werk een lange horizon en een open einde heeft: grote refactors in een grote repository, documentanalyse vanaf 200K tokens, alles waarbij beeldinvoer je een aparte OCR-stap bespaart, of alles waarbij het model een plan moet vasthouden over honderden tool-aanroepen. Je betaalt prijzen die dicht bij het frontier liggen, dus verwacht ook gedrag dat daar dicht bij zit. De spreiding van 3,4 punten tussen harnesses is ruis; de context van 1M en de multimodale invoer zijn dat niet.

Kies Ripple 65B Preview als het werk afgebakend is en je wilt stoppen met per token te betalen: een coding agent op een vaste taakset, een lokale assistent op hardware die je al bezit, een fine-tuning-doel — Apache 2.0 en een 65B dense checkpoint zijn een veel vriendelijker startpunt dan een 1.56 TB MoE. Beschouw de 80.5 als een claim van het lab dat het model heeft gemaakt, op een benchmarkrevisie waar niemand anders op heeft gepubliceerd, en valideer die op je eigen taken voordat die ook maar in de buurt komt van een productiebeslissing.

En als je de vergelijking wilt die dit echt zou beslechten: die bestaat nog niet. Niemand heeft Ripple 65B Preview en Kimi K3.1 Pro door dezelfde harness op dezelfde versie gehaald. Tot iemand dat doet, is de enige eerlijke rangschikking op basis van vorm: een klein model dat je kunt bezitten tegenover een groot model dat je kunt huren, met een prijsverhouding van ongeveer tien tegen één en geen gedeeld examen om de knoop door te hakken.