Ripple-65B Preview vs Ripple-65B: dlaczego za drugą nazwą nie stoi żaden model

Wyszukaj Ripple-65B Preview a znajdziesz udokumentowany model: gęsty checkpoint 65B Apache 2.0 od Ricursive Intelligence, utworzony 4 listopada 2026 r., z kartą modelu, czterema repozytoriami i zgłoszonym przez dostawcę wynikiem 80,52 w Terminal-Bench 2.1. Wyszukaj Ripple-65B — tę samą nazwę z przyciętym sufiksem — a znajdziesz ten model, raz za razem, pod różnymi nazwami plików. Nie ma osobnego finalnego wydania. Organizacja Hugging Face wymienia cztery publiczne repozytoria — Ripple-65B-Preview, Ripple-65B-Preview-NVFP4, Ripple-65B-Base-Preview i Ripple-65B-Preview-DFlash2 — i żadne z nich nie pomija słowa „Preview”.

To czyni tę stronę porównania nietypową, a uczciwym sposobem jej napisania jest powiedzieć to od razu. Ripple-65B nie jest rywalem Ripple-65B Preview. To nazwa, której ludzie szukają, placeholder dla wydania, do którego jeszcze nie doszło, i — co najbardziej przydatne — okazja, by odpowiedzieć na pytanie, które naprawdę kryje się za tymi wyszukiwaniami: czy dostajesz ukończony model, czy dostajesz snapshot, o którym laboratorium powiedziało, że był lekki na post-training?

Co oznacza „Preview” na tej konkretnej karcie

Przyrostek nie jest tu ozdobnikiem, a Ricursive jest o tym wyjątkowo wprost. Karta modelu opisuje wydanie jako stosunkowo lekko dostrojone po treningu: 200 miliardów tokenów treningu pośredniego, 183 miliardy tokenów nadzorowanego dostrajania, 13,5 miliarda tokenów SFT długiego kontekstu, 700 kroków RL, na bazie przebiegu wstępnego treningu na 12 bilionach tokenów przy długości sekwencji 8K. Wszystko jest trenowane od zera, a według firmy budżet dostrajania po treningu był celowo niewielki względem wstępnego treningu.

Ta kombinacja — ogromna baza, cienkie wyrównanie — jest tym, co daje checkpoint osiągający 80,52 na Terminal-Bench 2.1, przy jednoczesnych 44,3 na DeepSWE 1.1 i 39,4 na SciCode. Wydajność agentowa w terminalu to realna praca. Szerokość inżynierii oprogramowania wygląda na obszar, który dłuższy przebieg post-training dotknąłby w pierwszej kolejności. Ostateczny Ripple-65B byłby, w tym odczytaniu, lepszym modelem dokładnie na tych osiach, na których Preview jest najsłabszy.

Ricursive nie zobowiązał się do żadnego. Nie ma mapy drogowej, w poście zapowiadającym premierę nie ma zdania „finalne wydanie w Q4”, a także nie ma repozytorium następcy z datą. Gdy ArtificialWatch śledził premierę, zauważył, że „GA bez znacznika Preview wciąż jest przed nami” — trafne podsumowanie stanu, który od tamtej pory się nie zmienił.

Cztery repozytoria i do czego każde z nich właściwie służy

Zamieszanie z nazwami najpierw się pogłębia, zanim się poprawi, ponieważ dwa z czterech repozytoriów brzmią, jakby mogły być finalnym modelem, a żadne z nich nim nie jest.

• Ripple-65B-Preview — główny checkpoint instrukcyjny. BF16, 64 782 689 360 parametrów, 129,6 GB w 16 shardach, Apache 2.0, bez ograniczeń dostępu. To do niego odnoszą się wszystkie liczby z benchmarków.

• Ripple-65B-Preview-NVFP4 — ten sam model instruct skwantyzowany za pomocą ModelOpt, 39 616 865 360 zapisanych parametrów, oznaczony jako 8-bitowy. To nie inny model, lecz mniejszy kontener dla tych samych wag.

• Ripple-65B-Base-Preview — utworzony 14 października 2026, trzy tygodnie przed wydaniem wersji instruct. To jest wstępnie wytrenowana baza, oceniana osobno: MMLU 83.7, MMLU-Pro 61.5, GPQA Diamond 38.4, HumanEval 70.9, MBPP Sanitized 81.5. Te liczby wyglądają alarmująco na tle 89.6 i 85.2 z karty wersji instruct, dopóki nie przypomnisz sobie, że to wyniki modelu bazowego — przed SFT, przed RL, odpowiadającego w stylu uzupełniania. To właściwy punkt wyjścia, jeśli zamierzasz samodzielnie przeprowadzić post-training, a niewłaściwy, jeśli chcesz asystenta.

Ripple-65B-Preview-DFlash2 — 4,04 mld parametrów, model szkicujący do dekodowania spekulatywnego. Proponuje tokeny do weryfikacji przez model 65B i nie potrafi samodzielnie niczego wygenerować; jego karta wprost stwierdza, że „wymaga modelu docelowego do generowania tekstu”.

Cztery repozytoria, jeden model, trzy z nich to warianty checkpointu, a jedno to komponent. Nikt nie opublikował piątego.

Gdyby ostateczna wersja Ripple-65B rzeczywiście została wydana, co by się zmieniło?

To konstruktywna część porównania i warto być konkretnym, zamiast tylko ogólnikowo wskazywać na „lepszy post-training”.

• Kwestia kontekstu prawdopodobnie zostałaby rozstrzygnięta. Wersja Preview reklamuje obsługę do 1M, trenowana na sekwencjach o długości 2M tokenów na etapach długiego kontekstu, podczas gdy oferty komercyjne podawały 16,384, a ostatnio eksponowały 128K. Ostateczne wydanie to naturalny moment, by laboratorium powiedziało, do czego model jest faktycznie zweryfikowany, a nie do czego zdolna jest architektura.

• DeepSWE i SciCode to liczby, na które warto zwrócić uwagę. To tam wersja Preview ustępuje modelom, które w innych miejscach przewyższa, i to właśnie te benchmarki najbezpośredniej reagują na więcej RL oraz więcej SFT na rzeczywistych repozytoriach.

• Niezależny wynik prawdopodobnie istniałby już wtedy. Artificial Analysis nie ma dziś wpisu dla żadnego sluga Ripple, co oznacza, że każda krążąca liczba pochodzi od dostawcy. Wydanie GA to moment, w którym agregatory zwykle zaczynają uwzględniać dany model.

• Licencja prawdopodobnie pozostałaby Apache 2.0. Nic w premierze nie wskazuje na to, że Ricursive zamierza się z tego wycofać, a to najcenniejszy atut tego wydania.

Nic z tego nie jest ogłaszane. To wniosek z tego, co karta mówi o własnym budżecie na etap po treningu, i tak należy to odczytywać.

Pułapka nazewnictwa i dlaczego ma to praktyczne znaczenie

Jeśli podłączasz ten model do pliku konfiguracyjnego, to rozróżnienie przestaje być teoretyczne. Identyfikator, który się rozwiązuje, to ricursiveAI/Ripple-65B-Preview. Żądanie ricursiveAI/Ripple-65B nic nie zwraca, ponieważ nic o tej nazwie nie istnieje — a potok przetwarzania, który po cichu przechodzi do dopasowania przybliżonego, albo zawiedzie, albo — co gorsza — po cichu udostępni bazowy checkpoint tam, gdzie oczekiwano instruowanego.

Ta sama pułapka istnieje w odwrotnym kierunku w przypadku modelu bazowego. Ripple-65B-Base-Preview to prawdziwe repozytorium z prawdziwymi wagami i jest to naprawdę inny artefakt niż wydanie instruct: inne wyniki, inne zachowanie, inny cel. Każdy, kto porównuje wyniki „Ripple-65B” w internecie, niemal na pewno miesza 89,6 MMLU z karty instruct z 83,7 z karty bazowej, nie zauważając, że pochodzą z dwóch różnych repozytoriów.

Oto trzy praktyczne zasady. Przypnij dokładny identyfikator repozytorium i hash wersji, a nie nazwę rodziny. Nie zakładaj, że hostowany endpoint i pobranie BF16 to ten sam produkt — hostowany może być NVFP4, może być inną wersją i niemal na pewno będzie mieć inny limit kontekstu. A jeśli narzędzie lub ranking wymienia „Ripple-65B” bez sufiksu, sprawdź, które repozytorium ma na myśli, zanim zacytujesz liczbę.

Co możesz dziś zrobić z Preview

Całkiem sporo, jak się okazuje, i więcej niż jeszcze tydzień temu. Wagi są dostępne bez ograniczeń i na licencji Apache 2.0, więc nie ma etapu zatwierdzania. Od 5 listopada vLLM scalił natywne wsparcie — wbudowany RicursiveConfig, parsery rozumowania i wywołań narzędzi oraz przepis domyślnie używający NVFP4 na pojedynczym B300 — co oznacza, że checkpoint ładuje się bez --trust-remote-code w silniku, którego większość zespołów już używa. Równoległy pull request do SGLang jest wciąż otwarty, więc vLLM jest obecnie jedynym głównym silnikiem, w którym ta architektura jest obsługiwana, a nie zewnętrznym skryptem.

Komercyjnie model jest udostępniany za około $0.20 za milion tokenów wejściowych i $0.60 za milion tokenów wyjściowych, przy czym wejście z pamięci podręcznej jest rozliczane po ułamku tej stawki. Te stawki dotyczą wersji Preview, ponieważ to jedyna wersja, jaką można udostępniać.

OrcaRouter go nie obsługuje. Warto powiedzieć to wprost, ponieważ strona porównawcza, która kończy się sugestią, że za naszym pośrednictwem można uzyskać dostęp do obu stron, byłaby myląca — istnieje tylko jedna strona i nie hostujemy jej. Routujemy natomiast otaczający obszar: Kimi K3.1 Pro po $2.00 i $10.00 za milion z kontekstem 1M, DeepSeek V4 Pro po $0.66 i $1.98 z kontekstem 1M i wyjściem 384K, Qwen3.8 Max po $2.00 i $6.00. Jeśli czytasz o koderze 65B z otwartymi wagami, ponieważ chcesz taniego modelu agentowego bez cyklu zakupowego, to właśnie te modele są na tym samym kluczu co wszystko inne, z mechanizmem failover i cenami pass-through. Ripple to ten, który hostujesz lub kupujesz osobno.

Krótka odpowiedź

Jeśli ktoś zapyta o różnicę między Ripple-65B Preview a Ripple-65B, trafna odpowiedź brzmi, że drugi jeszcze nie istnieje. Preview to ten model: gęsty 65B, Apache 2.0, 12 bilionów tokenów wstępnego treningu, lekko poddany post-trainingowi, 80,52 w Terminal-Bench 2.1 według własnego pomiaru, niesklasyfikowany przez żadną niezależną tablicę rankingową i udostępniany z oknem kontekstu zależnym od tego, kto go hostuje.

To, co dodałoby finalne wydanie, to ustalona wartość kontekstu, lepsze wyniki w benchmarkach inżynierii oprogramowania, w których Preview wypada najsłabiej, i prawdopodobnie pierwsza zewnętrzna weryfikacja, jaką model kiedykolwiek przeszedł. Dopóki Ricursive go nie wyda, każde porównanie „Ripple-65B”, które przeczytasz — w tym wszelkie, które twierdzą, że porównują go z Preview — porównuje model z frazą wyszukiwania.