Ripple-65B Preview vs Ripple-65B: waarom er geen model achter de tweede naam zit

Zoek naar Ripple-65B Preview en je vindt een gedocumenteerd model: een 65B dense Apache 2.0-checkpoint van Ricursive Intelligence, gemaakt op 4 november 2026, met een modelkaart, vier repositories en een door de leverancier gerapporteerde 80,52 op Terminal-Bench 2.1. Zoek naar Ripple-65B — dezelfde naam met de suffix eraf — en je vindt dat model keer op keer, onder verschillende bestandsnamen. Er is geen aparte definitieve release. De Hugging Face-organisatie vermeldt vier openbare repo's — Ripple-65B-Preview, Ripple-65B-Preview-NVFP4, Ripple-65B-Base-Preview en Ripple-65B-Preview-DFlash2 — en geen enkele ervan laat het woord "Preview" weg.

Dat maakt dit een ongebruikelijke vergelijkingspagina, en de eerlijke manier om hem te schrijven is om dat meteen vooraf te zeggen. Ripple-65B is geen rivaal van Ripple-65B Preview. Het is een naam waar mensen naar zoeken, een plaatsvervanger voor een release die nog niet heeft plaatsgevonden, en — het nuttigst — een gelegenheid om de vraag te beantwoorden die die zoekopdrachten eigenlijk stellen: krijg je het afgewerkte model, of krijg je een snapshot waarvan het lab zei dat er weinig post-training in zat?

Wat "Preview" betekent op deze specifieke kaart

Het achtervoegsel is hier niet decoratief, en Ricursive is er ongewoon expliciet over. De modelkaart beschrijft de release als relatief licht post-getraind: 200 miljard mid-trainingtokens, 183 miljard tokens voor supervised fine-tuning, 13,5 miljard SFT-tokens voor lange context, 700 RL-stappen, bovenop een pretraining van 12 biljoen tokens met een sequentielengte van 8K. Alles wordt vanaf nul getraind, en het bedrijf stelt het zo dat het post-trainingsbudget bewust klein was ten opzichte van de pretraining.

Die combinatie — een enorme basis, dunne alignment — is wat een checkpoint oplevert dat 80,52 scoort op Terminal-Bench 2.1, terwijl het op 44,3 staat bij DeepSWE 1.1 en 39,4 bij SciCode. De agentische terminalprestaties zijn echt werk. De software-engineeringbreedte lijkt het onderdeel te zijn dat een langere post-trainingrun als eerste zou raken. Een definitieve Ripple-65B zou, volgens deze lezing, een beter model zijn op precies de assen waar de Preview het zwakst is.

Ricursive heeft zich nergens aan gecommitteerd. Er is geen roadmap, geen regel "definitieve release in Q4" in het lanceringsbericht, en geen gedateerde opvolger-repo. Toen ArtificialWatch de lancering volgde, merkte het op dat "de GA zonder het Preview-label nog voor ons ligt" — een accurate samenvatting van een situatie die sindsdien niet is veranderd.

De vier repositories, en waar elk ervan eigenlijk voor dient

De naamverwarring wordt erger voordat het beter wordt, want twee van de vier repo's klinken alsof ze het definitieve model zouden kunnen zijn, en geen van beide is dat.

• Ripple-65B-Preview — het primaire instruct-checkpoint. BF16, 64.782.689.360 parameters, 129,6 GB verdeeld over 16 shards, Apache 2.0, zonder toegangsbeperking. Dit is degene waarnaar elke benchmarkscore verwijst.

• Ripple-65B-Preview-NVFP4 — hetzelfde instructmodel, gekwantiseerd met ModelOpt, 39.616.865.360 opgeslagen parameters, getagd als 8-bit. Geen ander model; een kleinere container voor dezelfde gewichten.

• Ripple-65B-Base-Preview — aangemaakt op 14 oktober 2026, drie weken voor de instruct-release. Dit is de voorgetrainde base, apart geëvalueerd: MMLU 83.7, MMLU-Pro 61.5, GPQA Diamond 38.4, HumanEval 70.9, MBPP Sanitized 81.5. Die cijfers zien er alarmerend uit naast de 89.6 en 85.2 van de instruct-kaart, tot je je herinnert dat het basismodel-scores zijn — pre-SFT, pre-RL, antwoordend in completion-stijl. Het is het juiste startpunt als je je eigen post-training wilt doen, en het verkeerde als je een assistent wilt.

• Ripple-65B-Preview-DFlash2 — 4,04B parameters, een opsteller voor speculatieve decoding. Het stelt tokens voor die het 65B-model moet verifiëren en kan zelf niets genereren; op de modelkaart staat ronduit dat het "het doeltmodel nodig heeft om tekst te genereren."

Vier repo's, één model, drie ervan varianten van een checkpoint en één ervan een component. Niemand heeft een vijfde gepubliceerd.

Als er daadwerkelijk een definitieve Ripple-65B zou worden uitgebracht, wat zou er dan veranderen?

Dit is het constructieve deel van de vergelijking, en het is de moeite waard om concreet te zijn in plaats van te zinspelen op "betere post-training".

Het contextverhaal zou waarschijnlijk worden beslecht. De Preview adverteert met maximaal 1M, getraind op sequenties van 2M tokens in zijn lange-contextfasen, terwijl commerciële aanbiedingen 16.384 hebben geleverd en, recenter, 128K als speerpunt hebben gevoerd. Een definitieve release is het natuurlijke moment voor een lab om te zeggen waarvoor het model daadwerkelijk is gevalideerd, in plaats van wat de architectuur ondersteunt.

DeepSWE en SciCode zouden de cijfers zijn om in de gaten te houden. Dat zijn de punten waarop de Preview achterblijft bij modellen die hij elders verslaat, en het zijn de benchmarks die het meest direct reageren op meer RL en meer SFT op echte repositories.

• Een onafhankelijke score zou dan waarschijnlijk al bestaan. Artificial Analysis heeft vandaag geen vermelding voor welke Ripple-slug dan ook, wat betekent dat elk cijfer dat in omloop is, door de leverancier gerapporteerd is. Een GA-release is het moment waarop aggregators een model gewoonlijk oppikken.

• De licentie zou waarschijnlijk Apache 2.0 blijven. Niets in de lancering wijst erop dat Ricursive dat wil terugdraaien, en het is het meest waardevolle bezit van de release.

Niets daarvan wordt aangekondigd. Het is een gevolgtrekking uit wat de kaart zegt over zijn eigen post-trainingsbudget, en het moet als zodanig worden gelezen.

De naamgevingsval, en waarom die praktisch belangrijk is

Als je dit model in een configuratiebestand opneemt, is het onderscheid niet langer academisch. De identifier die wordt herleid, is ricursiveAI/Ripple-65B-Preview. Een aanvraag voor ricursiveAI/Ripple-65B levert niets op, omdat er niets met die naam bestaat — en een pipeline die stilzwijgend terugvalt op een fuzzy match zal ofwel mislukken of, erger nog, stilletjes een base-checkpoint serveren waar je een instruct-checkpoint verwachtte.

Dezelfde valkuil bestaat omgekeerd bij het basismodel. Ripple-65B-Base-Preview is een echte repository met echte gewichten, en het is een werkelijk ander artefact dan de instruct-release: andere scores, ander gedrag, ander doel. Iedereen die "Ripple-65B"-scores op het internet vergelijkt, mengt vrijwel zeker de 89,6 MMLU van de instruct-kaart met de 83,7 van de basiskaart, zonder te merken dat ze uit twee verschillende repo's komen.

Er volgen drie praktische regels. Zet de exacte repo-id en een revisiehash vast, niet een familienaam. Ga er niet van uit dat een gehost endpoint en de BF16-download hetzelfde product zijn — de gehoste kan NVFP4 zijn, kan een andere revisie zijn en zal vrijwel zeker een andere contextlimiet hebben. En als een tool of een leaderboard "Ripple-65B" vermeldt zonder de suffix, ga dan na welke repository daarmee wordt bedoeld voordat je het getal citeert.

Wat je vandaag met de Preview kunt doen

Best veel, zo blijkt, en meer dan een week geleden het geval was. De weights zijn vrij toegankelijk en vallen onder Apache 2.0, dus er is geen goedkeuringsstap. Sinds 5 november heeft vLLM native ondersteuning samengevoegd — een ingebouwde RicursiveConfig, parsers voor reasoning en tool-calls, en een recipe die standaard NVFP4 gebruikt op één B300 — wat betekent dat het checkpoint laadt zonder --trust-remote-code in de engine die de meeste teams al draaien. Een parallelle SGLang-pullrequest staat nog open, dus vLLM is momenteel de enige mainstream engine waarin dit een ondersteunde architectuur is in plaats van een extern script.

Commercieel wordt het model geleverd voor ongeveer $0,20 per miljoen inputtokens en $0,60 per miljoen outputtokens, waarbij gecachte input tegen een fractie daarvan wordt gefactureerd. Die tarieven gelden voor de Preview, aangezien dat het enige is dat er is om te leveren.

OrcaRouter heeft het niet in het assortiment. Dat is het waard om ronduit te zeggen, want een vergelijkingspagina die eindigt met de suggestie dat je beide kanten via ons kunt bereiken, zou misleidend zijn — er is maar één kant, en wij hosten die niet. Wat wij wel routeren, is het omliggende veld: Kimi K3.1 Pro voor $2,00 en $10,00 per miljoen met 1M context, DeepSeek V4 Pro voor $0,66 en $1,98 met 1M context en 384K output, Qwen3.8 Max voor $2,00 en $6,00. Als je over een 65B open-weight-coder leest omdat je een goedkoop agentisch model wilt zonder inkooptraject, dan zijn dat de modellen op dezelfde sleutel als al het andere, met failover en pass-through-prijzen. Ripple is het model dat je zelf host of apart aanschaft.

Het korte antwoord

Als iemand je vraagt naar het verschil tussen Ripple-65B Preview en Ripple-65B, is het juiste antwoord dat de tweede nog niet bestaat. De Preview is het model: 65B dense, Apache 2.0, 12 biljoen pretrainingstokens, licht post-trained, 80,52 op Terminal-Bench 2.1 volgens zijn eigen meting, door geen enkele onafhankelijke board gerangschikt, en aangeboden met een contextvenster dat afhangt van wie het aanbiedt.

Wat een definitieve release zou toevoegen, is een vastgesteld contextcijfer, betere cijfers op de software-engineeringbenchmarks waar de Preview het zwakst is, en waarschijnlijk de eerste externe verificatie die het model ooit heeft gehad. Totdat Ricursive die uitbrengt, vergelijkt elke "Ripple-65B"-vergelijking die je leest — inclusief alle die beweren hem met de Preview te vergelijken — een model met een zoekterm.