Ripple 65B Preview vs Muse Wonder: wat 20× de prijs echt oplevert

Er is precies één benchmark die zowel Ripple 65B Preview als Muse Wonder in dezelfde versie hebben gepubliceerd, met cijfers die je in dezelfde zin kunt zetten: DeepSWE 1.1. Meta's Muse Wonder rapporteert 78,8. Ricursive's Ripple 65B Preview rapporteert 44,3. Dat is een verschil van 34,5 punten bij werk met software-engineeringagents, en het is de enige zuivere vergelijking die de twee lanceringen bieden — al het andere is ofwel een andere benchmarkrevisie of een kolom met een streepje erin.

De vraag is dus niet of Muse Wonder beter is in die taak. Dat is het duidelijk wel, op basis van de cijfers van de labs zelf. De vraag is of het genoeg beter is om te rechtvaardigen dat het ongeveer twintig keer zoveel kost voor input en drieëndertig keer zoveel voor output. Dat is een echte beslissing met een echt antwoord, en dat antwoord is niet voor elke workload hetzelfde.

Waarom DeepSWE 1.1 de eerlijke strijd is

Beide laboratoria hebben versie 1.1 van dezelfde evaluatie uitgevoerd. Geen van beide heeft een herhaling door een derde partij gepubliceerd, dus beide cijfers dragen dezelfde kanttekening — ze zijn door de leverancier gerapporteerd en niet gereproduceerd — en juist die symmetrie maakt de vergelijking bruikbaar. Wanneer twee beweringen evenzeer door eigenbelang zijn ingegeven, is het verschil ertussen nog steeds informatief.

Vergelijk dat met Terminal-Bench, waar de twee labs helemaal niet hetzelfde examen afleggen. Ripple rapporteert 80,5 op Terminal-Bench 2.1. Meta rapporteert Muse Wonder Full op 57,1 op Terminal-Bench 4.0, een latere en moeilijkere versie. Wie die naast elkaar legt om Ripple tot winnaar uit te roepen, vergelijkt een model dat het examen van 2024 aflegde met een model dat dat van 2026 aflegde. Meta's eigen framing is hier zorgvuldig en de lanceringsthread van Ricursive was dat niet.

Nog een waarschuwing aan de Meta-kant: de JobBench-tabel van het bedrijf claimt 75,3 voor Muse Wonder Full tegenover 30,8 voor standaard Muse Wonder, een verschil van 44 punten dat geen enkele onafhankelijke evaluator heeft gereproduceerd. Beschouw interne benchmarktabellen van welk lab dan ook als marketing totdat iemand van buiten het bedrijf ze uitvoert.

Wat het prijsverschil eigenlijk is

Muse Wonder kost $4.00 per miljoen inputtokens en $20.00 per miljoen outputtokens, met gecachte input tegen $0.20. Ripple 65B Preview staat voor $0.20 en $0.60 vermeld bij zijn eerste gehoste endpoint — een getal dat je met een korreltje zout moet nemen, aangezien Ricursive geen tariefkaart heeft gepubliceerd en dat endpoint een context van 16,384 tokens biedt tegenover een geadverteerd venster van 1M. Zelfs als we de vermelding letterlijk nemen, bedraagt de verhouding 20× op input en 33× op output.

Per-tokenverhoudingen doen kleine modellen mooier lijken en geven een misleidend beeld van de werkelijke kosten, dus hier is de rekensom voor een workload die je misschien daadwerkelijk draait. Stel dat je codingagent 50 miljoen outputtokens per maand produceert en daarbij 200 miljoen inputtokens leest.

• Op Muse Wonder: 200 × $4,00 = $800 aan input, plus 50 × $20,00 = $1.000 aan output. Totaal $1.800 per maand.

• Voor Ripple 65B Preview tegen het vermelde tarief: 200 × $0,20 = $40 invoer, plus 50 × $0,60 = $30 uitvoer. Totaal $70 per maand.

• Het verschil: $1.730 per maand, of ongeveer $20.760 per jaar, voor hetzelfde nominale aantal tokens.

Nu het deel dat de spreadsheet mist. Als Ripple één op de drie keer een taak niet haalt en je het opnieuw probeert, stijgt je effectieve outputvolume met de helft. Met twee herpogingen heb je het verdubbeld. Het omslagpunt is niet subtiel — Ripple kan drieëndertig keer minder efficiënt per token zijn en toch minder kosten — maar de faalmodus is erger dan de rekening. Een coding-agent die een derde van zijn taken niet haalt, kost niet alleen meer; hij kost je de engineer die moet opmerken, ontwarren en het werk opnieuw moet draaien. Reken de supervisie mee, niet alleen de tokens.

Artificial Analysis plaatst {{1}}Muse Wonder (Max){{/1}} op $6,95 per indextaak op zijn live modelpagina — een eerlijker eenheid dan dollars per miljoen, en een waarvoor geen equivalent bestaat voor {{2}}Ripple{{/2}}, omdat niemand het door een standaardset taken heeft laten lopen.

Waarvoor Meta geld vraagt, naast de gewichten

Muse Wonder is een gesloten model met een ongewoon breed invoeroppervlak: tekst, afbeeldingen, video, audio en pdf's als invoer, tekst als uitvoer, binnen een context van 1.048.576 tokens met een uitvoerplafond van 131.072 tokens. Het draait altijd actieve redenering met zes selecteerbare inspanningsniveaus, ondersteunt parallelle toolaanroepen en gestructureerde uitvoer, en biedt twee functies waarvoor op de kaart van Ripple helemaal geen equivalent bestaat — Active Memory, dat context tussen gesprekken meedraagt, en Active Focus, dat is ontworpen om een lange taak samenhangend te houden zonder af te dwalen.

Of het voor jou iets uitmaakt, hangt volledig af van hoe je workload eruitziet. Als je agent in één keer een screenshot van een mislukte test moet lezen, een klantgesprek moet transcriberen en dat moet afstemmen op een PDF-factuur, dan heb je niets aan Ripple's benchmarkscores, omdat Ripple 65B Preview tekst aanneemt en tekst teruggeeft. Het modaliteitsverschil is geen prestatieverschil dat je met een betere prompt kunt dichten.

Muse Wonder (Max) scoort 44 op de Intelligence Index van Artificial Analysis — #26 van de 66 modellen in zijn klasse, en boven de mediaan van 36 voor vergelijkbare modellen, zij het niet langer de 52 dicht bij de frontier die berichtgeving in de lanceerweek meldde. De index is eind oktober opnieuw opgebouwd en meerdere modellen zijn verschoven. Ripple 65B Preview komt er helemaal niet op voor.

Wat Apache 2.0 waard is

Ripple 65B Preview heeft 65 miljard dense parameters onder Apache 2.0, met de volledige gewichten op Hugging Face in BF16 plus NVFP4- en basismodelvarianten. In BF16 is dat checkpoint ongeveer 130 GB, wat DGX Spark-terrein is of een gekwantiseerde run op een kleinere machine — niet, ondanks wat de introductieberichtgeving zei, een MacBook, tenzij je de NVFP4-build draait. Ricursive claimt 250 tokens per seconde op twee B200's bij batchgrootte 8 vóór enige aangepaste kernels, en ongeveer 40% MFU tijdens pretraining met gewone sharding.

Wat dat je oplevert, is alles wat een gehost gesloten model je niet kan geven: de mogelijkheid om op je eigen data te fine-tunen, inference te draaien zonder factuur per token en zonder dat er data je netwerk verlaat, een versie voor altijd vast te pinnen, en het om 3 uur 's nachts te serveren zonder afhankelijk te zijn van de statuspagina van iemand anders. Voor een gereguleerde workload is die lijst vaak meer waard dan 34 DeepSWE-punten. Voor een startup die dit kwartaal een agent lanceert, is dat meestal niet zo.

Er is ook een licentie-asymmetrie die het vermelden waard is. Apache 2.0 is ongeveer zo permissief als open gewichten kunnen zijn. Muse Wonder is ronduit gesloten — Meta's open-weight-tegenhanger in deze familie is Muse Spark Open, een ander en veel groter 816B-model met 42B actieve parameters en 256 experts, niet een kleinere versie van Wonder. Als open gewichten een vereiste zijn in plaats van een voorkeur, eindigt deze vergelijking hier.

De twee naast elkaar draaien

Geen van beide modellen staat vandaag in onze catalogus, en er zal ook niet worden gesuggereerd dat dat wel zo is. Muse Wonder bereikt ontwikkelaars via Meta's eigen API; Ripple via Ricursive's endpoint en externe platformen, met weights op Hugging Face. Waar een router in deze situatie goed voor is, is precies wat beide lanceringen duidelijk maken: je wilt geen productiepad vastleggen op een Preview van één dag oud waarvan de eigen kaart zegt dat de scores moeilijk te repliceren zijn. Je wilt dat model achter een fallback plaatsen, met een deel van het verkeer dat je kunt opschroeven naarmate er meer bewijs binnenkomt — automatische failover naar een bewezen goed model bij een fout of timeout, in plaats van een herschrijving wanneer het experiment tegenvalt.

Dat patroon is ook hoe je de vraag over prijsstelling empirisch beantwoordt. Leid 10% van je codeverkeer naar Ripple, houd 90% op Muse Wonder, en vergelijk niet de tokenfactuur maar de kosten per voltooide taak — inclusief de herhaalde pogingen en de menselijke tijd. Eén API-sleutel, één factuurregel, en een getal dat je kunt verdedigen in een planningsvergadering, wat meer is dan welke benchmarktabel dan ook je geeft.

Wie moet de twintig keer betalen?

Betaal voor Muse Wonder als je werk multimodaal, langdurig of klantgericht is: agents die screenshots lezen, assistenten die een gebruiker over sessies heen moeten onthouden, alles waarbij een hallucinatiepercentage van 27% al te hoog is en je de betrouwbaarheid nodig hebt die post-training van een frontierlab oplevert. De $6,95 per indextaak is een eerlijke prijs voor een model dat de taak afmaakt.

Gebruik Ripple 65B Preview als het werk alleen tekst betreft, begrensd is en een hoog volume heeft, en als u over de hardware of een goedkoop endpoint beschikt: batchclassificatie, code review volgens een vaste rubric, een lokale assistent, een fine-tuningbasis. Met $0,20 en $0,60 is het drieëndertig keer goedkoper op output, en bij een workload die aansluit bij zijn sterke punten verslaat die verhouding een achterstand van 34,5 punt op één benchmark.

De fout zou zijn om de DeepSWE-kloof als een oordeel te lezen. Het is één examen, één keer afgelegd, gerapporteerd door het lab dat het heeft opgesteld. Het getal dat dit voor jou zou moeten bepalen, is niet 78,8 tegenover 44,3 — het is wat je eigen takenverzameling doet wanneer je beide draait, en dat getal bestaat pas wanneer je het genereert.