Ripple 65B Preview vs Kimi K3.1 Pro: dois lançamentos de pesos abertos, zero benchmarks compartilhados

Em 4 de novembro de 2026, dois modelos de pesos abertos foram lançados com poucas horas de diferença, e quase ninguém os comparou adequadamente. O Ripple 65B Preview é um modelo denso de 65 bilhões de parâmetros da Ricursive Intelligence, pré-treinado do zero em 12 trilhões de tokens e lançado sob a Apache 2.0. O Kimi K3.1 Pro é o carro-chefe esparso de um trilhão de parâmetros da Moonshot AI, cuja API foi aberta em 23 de outubro e cujos pesos — cerca de 1,56 TB deles — ficaram públicos em 4 de novembro. Um é pequeno o suficiente para caber em uma mesa; o outro precisa de um data center. A pergunta óbvia é qual é melhor, e a resposta honesta é que nenhum número publicado permite responder isso, porque os dois laboratórios não executaram um único benchmark na mesma versão.

Isso não é uma esquiva retórica. É a coisa mais útil nesta página: se você está escolhendo entre esses dois, está escolhendo entre dois tipos diferentes de aposta, e a tabela de benchmark não pode fazer essa escolha por você.

O que cada modelo realmente é

O Ripple 65B Preview é denso, não esparso. Todos os seus 65 bilhões de parâmetros são ativados em cada token, em um transformer "fino e profundo" de 80 camadas com um fluxo residual de 5.120 dimensões. A Ricursive descreve o design como um afastamento da arquitetura Olmo 3 em direção a uma semelhante à Gemma 3N — cabeças de atenção superprovisionadas, uma razão maior entre atenção de janela deslizante e atenção global, atenção com gating, NoPE global, resíduos de valor e clipping da ativação da FFN. O treinamento executou 877.500 passos com comprimento de sequência de 8K em um corpus somente de texto, majoritariamente em inglês e código, seguido por treinamento intermediário, uma etapa de contexto longo e RL leve focado em codificação agêntica. A Ricursive estima o custo computacional em US$ 32 milhões.

O Kimi K3.1 Pro tem o formato oposto. É um modelo Mixture-of-Experts da classe de trilhões de parâmetros — levantamentos de terceiros o situam em cerca de 2,8T no total, com aproximadamente 104B ativos por token — e as notas de lançamento da Moonshot o descrevem como um K3 pós-treinado com um orçamento de RL muito maior, distribuído por centenas de domínios. O próprio material de lançamento da empresa o chama de versão pós-treinada do K3, mas a ficha do modelo conta uma história mais específica: a espinha dorsal passou de 24 camadas Gated MLA para 24 camadas Gated DSA. Ele vem com entrada de texto, imagem e vídeo, esforço de raciocínio configurável e uma janela de contexto de 1.048.576 tokens.

• Parâmetros — 65B denso (todos ativos) vs ~2,8T no total / ~104B ativos, segundo rastreadores de terceiros

• Contexto — 1M tokens anunciados vs 1,048,576 tokens, anunciados e servidos

• Licença — Apache 2.0 versus a licença Kimi K3, renomeada, com um limite de MaaS de US$ 20M/12 meses

• Pesos em disco — um checkpoint BF16 de repositório único, além de variantes NVFP4 e base, versus ~1,56 TB distribuídos em 96 shards MXFP4

• Modalidade — texto como entrada, texto como saída vs texto, imagem e vídeo como entrada, texto como saída

• Preço — US$ 0,20 / US$ 0,60 por milhão de tokens de entrada/saída em listagens de terceiros vs. US$ 2,00 / US$ 10,00, que é a tarifa do nosso próprio catálogo

O número que parece uma goleada não é.

O card do Ripple informa 80,5 no Terminal-Bench 2.1. O lançamento do Kimi informa 65,7 no Terminal-Bench 4.0. Coloque esses números lado a lado e o Ripple parece vencer por quase 15 pontos com uma fração do tamanho. Essa comparação não tem sentido, e ela está sendo feita constantemente nas respostas às duas threads de lançamento.

O Terminal-Bench 4.0 é uma revisão posterior e mais difícil do harness do que o 2.1. Um modelo que obtém 80 no conjunto de tarefas 2.1 não foi demonstrado estar a menos de quinze pontos de um modelo que obtém 65,7 no 4.0 — foi demonstrado que fez um exame diferente. A mesma armadilha engole as outras comparações que circulam: os 79,1 do Ripple no SWE-bench Pro v2.0 Hard, os seus 44,3 no DeepSWE 1.1, os seus 76,5 no SWE-bench Verified, contra os 51,7 do Kimi no SWE Marathon v1.1 e os 61,2 no Kimi Code Bench 3.0 Long-horizon. São seis benchmarks, e nenhum deles é compartilhado.

Até mesmo um único laboratório medindo um único benchmark entra em desacordo consigo mesmo entre diferentes harnesses. O número do Kimi K3.1 Pro no Terminal-Bench 4.0 aparece como 65,7 pela Moonshot, 63,6 pela Vals AI e 67 pela Artificial Analysis — uma variação de 3,4 pontos no mesmo modelo e na mesma versão do benchmark, puramente por causa do ferramental. Se três execuções de um mesmo benchmark em um único modelo variam tanto assim, uma comparação entre versões de dois modelos não é uma medição. É decoração.

A Ricursive diz o mesmo em seu próprio card, de forma mais discreta do que a thread de lançamento. O card observa que "replicar as pontuações de benchmark tem sido desafiador" e que as pontuações foram obtidas com esforço máximo em BF16. Leia essa frase duas vezes antes de colocar 80,5 em um slide.

O eixo que você realmente pode comparar

Há duas coisas diretamente comparáveis, porque não são pontuações de benchmark: quanto custa o modelo e o que é preciso para executá-lo.

Em preço, a diferença é de cerca de dez para um. O Kimi K3.1 Pro custa US$ 2,00 por milhão de tokens de entrada e US$ 10,00 por milhão de saída no nosso catálogo, que repassa o preço de tabela da Moonshot sem acréscimo. O Ripple 65B Preview está listado a US$ 0,20 e US$ 0,60 em seu primeiro endpoint hospedado — um número que vale a pena tratar como provisório, porque a Ricursive não publicou uma tabela de preços própria. Esse mesmo endpoint oferece um contexto de 16.384 tokens, contra uma janela anunciada de 1M, e pelo menos um rastreador classifica o modelo como proprietário, embora seus pesos estejam publicamente no Hugging Face sob Apache 2.0. Quando os rastreadores erram tanto assim sobre a licença, seus preços merecem o mesmo ceticismo.

A maior diferença de custo não está no custo por token. Está no custo por resposta. O Kimi K3.1 Pro é um modelo de raciocínio que emite cerca de 55.000 tokens de saída por tarefa do índice Artificial Analysis; a US$ 10 por milhão de saída, isso corresponde à maior parte dos US$ 1,98 que o índice custa por tarefa. Os números do Ripple vêm de um modelo com pós-treinamento leve e nenhuma escada de raciocínio configurável, então ele deve emitir muito menos — mas, até que alguém execute o mesmo conjunto de tarefas nos dois, o número por tarefa é uma estimativa, não um fato. É em tokens por resposta, não em dólares por token, que os modelos pequenos costumam vencer — e é para onde as comparações nas threads de lançamento nunca vão.

A implantação é onde os dois divergem completamente.

O download do Kimi K3.1 Pro tem cerca de 1,56 TB distribuídos em 96 fragmentos safetensors em MXFP4, com o QAT mantendo a qualidade nessa largura. Você não vai executá-lo em uma estação de trabalho. As opções realistas são um endpoint hospedado ou um cluster multinó, e a licença acrescenta um limite comercial que importa em escala: um gatilho de MaaS de US$20M/12 meses, além de uma cláusula de nomenclatura em 100M de usuários mensais ou US$20M de receita mensal.

O Ripple 65B Preview foi criado para a outra ponta desse espectro. Em BF16, o checkpoint tem cerca de 130 GB, e é por isso que a frase "roda em um MacBook" na cobertura de lançamento está carregando mais peso do que admite — 130 GB não cabem na memória unificada de um laptop sem quantização. O que o card da Ricursive realmente afirma é uma NVIDIA DGX Spark, além de 250 tokens por segundo em duas B200s com tamanho de lote 8 antes de kernels personalizados. O repositório também oferece uma variante NVFP4, que é a que torna plausível a implantação em máquinas pequenas.

A questão da implantação se responde sozinha antes dos benchmarks. Se você tem um DGX Spark e nenhum orçamento para GPU, o Ripple é um modelo que você pode possuir. Se você não tem nem um rack sobrando nem disposição para baixar 1,56 TB, o Kimi é um modelo que você aluga.

Chamando qualquer um

É aqui que os dois deixam de ser simétricos. O Kimi K3.1 Pro está no OrcaRouter hoje pelo preço de tabela — US$ 2,00 de entrada, US$ 10,00 de saída, 0% de markup, então quando a Moonshot reduzir o preço, a mudança chega à sua chave no mesmo dia, e não no próximo ciclo de cobrança. Uma única chave cobre esse modelo junto com o restante do catálogo, o que importa se você estiver usando o Kimi como a camada cara de escalonamento atrás de um padrão mais barato.

O Ripple 65B Preview não está no nosso catálogo, e não vamos fingir o contrário. Ele acessa uma API por meio do endpoint próprio da Ricursive e de plataformas de terceiros, e seus pesos estão no Hugging Face se você quiser obtê-los diretamente. Um lançamento Preview totalmente novo, com uma ficha que admite que suas próprias pontuações são difíceis de replicar, é exatamente o caso em que você quer o modelo atrás de um roteador em vez de conectado diretamente a um caminho de produção — mas isso só ajuda quando um fornecedor o abre para roteamento de terceiros.

Qual escolher

Escolha o Kimi K3.1 Pro se o trabalho for de horizonte longo e aberto: grandes refatorações em um repositório extenso, análise de documentos com 200K tokens ou mais, qualquer tarefa em que a entrada de imagens poupe uma etapa separada de OCR, ou qualquer situação em que você precise que o modelo mantenha um plano ao longo de centenas de chamadas de ferramentas. Você está pagando preços próximos aos de fronteira e deve esperar um comportamento próximo dos de fronteira. A variação de 3,4 pontos entre harnesses é ruído; o contexto de 1M e a entrada multimodal não são.

Escolha o Ripple 65B Preview se o trabalho for delimitado e você quiser parar de pagar por token: um agente de programação em um conjunto fixo de tarefas, um assistente local no hardware que você já possui, um alvo de fine-tuning — Apache 2.0 e um checkpoint denso de 65B são um ponto de partida muito mais amigável do que um MoE de 1,56 TB. Trate o 80,5 como uma alegação do laboratório que criou o modelo, em uma revisão de benchmark na qual ninguém mais publicou resultados, e valide-o nas suas próprias tarefas antes que chegue perto de uma decisão de produção.

E se você quer a comparação que realmente resolveria isso, ela ainda não existe. Ninguém rodou o Ripple 65B Preview e o Kimi K3.1 Pro no mesmo ambiente de avaliação, na mesma versão. Até alguém fazer isso, o único ranking honesto é pelo perfil: um modelo pequeno que você pode possuir contra um modelo grande que você pode alugar, com uma proporção de preço de cerca de dez para um e nenhum teste compartilhado para desempatar.