Ripple 65B Preview против Muse Wonder: что на самом деле даёт цена в 20 раз выше

Существует ровно один бенчмарк, который и Ripple 65B Preview, и Muse Wonder опубликовали в одной и той же версии, с числами, которые можно поставить в одно предложение: DeepSWE 1.1. Muse Wonder от Meta показывает 78,8. Ripple 65B Preview от Ricursive показывает 44,3. Это разрыв в 34,5 балла в работе агентов по разработке ПО, и это единственное чистое сравнение, которое предлагают эти два релиза — всё остальное либо другая редакция бенчмарка, либо столбец с прочерком.

Итак, вопрос не в том, лучше ли Muse Wonder справляется с этой задачей. Судя по собственным цифрам лабораторий, очевидно, лучше. Вопрос в том, достаточно ли велико это преимущество, чтобы оправдать то, что модель стоит примерно в двадцать раз дороже на входе и в тридцать три раза дороже на выходе. Это реальное решение с реальным ответом, и для каждой рабочей нагрузки ответ будет разным.

Почему DeepSWE 1.1 — это честный бой

Обе лаборатории провели версию 1.1 одного и того же тестирования. Ни одна не опубликовала повторный прогон, выполненный третьей стороной, поэтому обе цифры сопровождаются одной и той же оговоркой — они заявлены производителями и не воспроизведены — и именно эта симметрия делает сравнение пригодным. Когда два утверждения в равной степени продиктованы собственной выгодой, разница между ними всё равно показательна.

Сравните это с Terminal-Bench, где две лаборатории сдают совсем не один и тот же экзамен. Ripple сообщает 80.5 на Terminal-Bench 2.1. Meta сообщает Muse Wonder Full 57.1 на Terminal-Bench 4.0 — более поздней и сложной версии. Любой, кто ставит эти результаты рядом, чтобы объявить Ripple победителем, сравнивает модель, сдававшую вариант 2024 года, с моделью, сдававшей вариант 2026 года. Формулировка самой Meta здесь осторожна, а анонсирующий тред Ricursive — нет.

Ещё одно предостережение по части Meta: в таблице JobBench компании указано 75,3 для Muse Wonder Full против 30,8 для стандартной Muse Wonder — разрыв в 44 пункта, который не воспроизвёл ни один независимый оценщик. Считайте внутренние таблицы бенчмарков любой лаборатории маркетингом, пока кто-то со стороны не запустит их самостоятельно.

В чём на самом деле заключается разница в цене

Muse Wonder стоит $4.00 за миллион входных токенов и $20.00 за миллион выходных токенов, при этом кешированный ввод — $0.20. Ripple 65B Preview указана по $0.20 и $0.60 на своём первом хостинговом эндпоинте — цифра, к которой стоит относиться осторожно, поскольку Ricursive не опубликовала тарифную сетку, а этот эндпоинт обслуживает контекст в 16,384 токена против заявленного окна в 1M. Даже принимая цены из листинга за чистую монету, соотношение составляет 20× по входу и 33× по выходу.

Соотношения в расчёте на токен льстят небольшим моделям и вводят в заблуждение относительно реальных счетов, поэтому вот арифметика для рабочей нагрузки, которую вы действительно можете запустить. Допустим, ваш агент для программирования выдаёт 50 миллионов выходных токенов в месяц и при этом читает 200 миллионов входных токенов.

• В Muse Wonder: 200 × $4,00 = $800 ввода, плюс 50 × $20,00 = $1 000 вывода. Итого $1 800 в месяц.

• На Ripple 65B Preview по указанному тарифу: 200 × $0.20 = $40 за ввод, плюс 50 × $0.60 = $30 за вывод. Итого $70 в месяц.

• Разница: $1,730 в месяц, или примерно $20,760 в год, при одинаковом номинальном количестве токенов.

Теперь о том, что упускает таблица. Если Ripple не справляется с каждой третьей задачей, а вы повторяете попытку, ваш эффективный объём выпуска вырастает на половину. Два повтора — и вы его удвоили. Порог безубыточности здесь не так уж тонок — Ripple может быть в тридцать три раза менее эффективной на токен и всё равно стоить меньше — но сценарий отказа хуже, чем счёт. Агент для программирования, который проваливает треть своих задач, не просто стоит дороже; он стоит вам инженера, которому приходится заметить проблему, разобрать последствия и запустить работу заново. Учитывайте стоимость надзора, а не только токенов.

Artificial Analysis указывает для Muse Wonder (Max) $6.95 за задание индекса на своей актуальной странице модели — это более честная единица измерения, чем доллары за миллион, и у Ripple нет её эквивалента, потому что никто не прогонял Muse Wonder через стандартный набор задач.

За что Meta взимает плату, помимо весов

Muse Wonder — это закрытая модель с необычайно широким набором входных данных: текст, изображения, видео, аудио и PDF на входе, текст на выходе, контекст в 1 048 576 токенов при предельном объёме вывода в 131 072 токена. В ней постоянно работает режим рассуждения с шестью выбираемыми уровнями усилий, поддерживаются параллельные вызовы инструментов и структурированные выходные данные, а также есть две функции, аналогов которых в карточке Ripple нет вовсе, — Active Memory, сохраняющая контекст между беседами, и Active Focus, предназначенная для удержания длительной задачи без отклонений.

Будет ли это вам важно, целиком зависит от характера вашей рабочей нагрузки. Если вашему агенту нужно прочитать скриншот проваленного теста, расшифровать звонок клиента и за один проход сверить его с PDF-счётом, ни одна из оценок Ripple в бенчмарках вам не поможет, потому что Ripple 65B Preview принимает текст и возвращает текст. Разрыв между модальностями — это не разница в производительности, которую можно закрыть более удачным промптом.

Muse Wonder (Max) набирает 44 балла в Индексе интеллекта Artificial Analysis — #26 из 66 моделей своего класса и выше медианы 36 для сопоставимых моделей, хотя уже не 52, близкий к передовому уровню, о котором сообщали в публикациях недели запуска. Индекс был перестроен в конце октября, и несколько моделей переместились. Ripple 65B Preview в нём вообще не фигурирует.

Какова ценность Apache 2.0

Ripple 65B Preview — это 65 млрд плотных параметров под Apache 2.0, с полными весами на Hugging Face в BF16, а также вариантами NVFP4 и базовой модели. В BF16 этот чекпоинт занимает около 130 ГБ, что относится к территории DGX Spark или квантизованного запуска на менее мощной машине — но не к MacBook, вопреки тому, что говорилось в материалах о запуске, если только вы не запускаете сборку NVFP4. Ricursive заявляет 250 токенов в секунду на двух B200 при размере батча 8 ещё до каких-либо кастомных ядер и около 40% MFU в ходе предобучения на обычном шардинге.

Что это вам даёт — так это всё то, чего не может предложить хостируемая закрытая модель: возможность дообучить её на собственных данных, выполнять инференс без счёта за каждый токен и без выхода данных за пределы вашей сети, навсегда зафиксировать версию и обслуживать её в 3 часа ночи, не завися от чужой страницы статуса. Для регулируемой нагрузки этот список зачастую ценнее, чем 34 балла DeepSWE. Для стартапа, выпускающего агента в этом квартале, — обычно нет.

Есть также лицензионная асимметрия, которую стоит назвать. Apache 2.0 — примерно максимально разрешительная лицензия из возможных для открытых весов. Muse Wonder — полностью закрытая модель; открытый по весам аналог Meta в этом семействе — Muse Spark Open, другая и гораздо более крупная модель на 816B с 42B активных параметров и 256 экспертами, а не уменьшенная версия Wonder. Если открытые веса — это требование, а не предпочтение, сравнение на этом заканчивается.

Запуск обоих бок о бок

Ни одной из этих моделей сегодня нет в нашем каталоге, и не подразумевается, что они там появятся. Muse Wonder доступна разработчикам через собственный API Meta; Ripple — через эндпоинт Ricursive и сторонние платформы, а веса — на Hugging Face. В этой ситуации роутер полезен именно тем, что оба запуска делают очевидным: вы не хотите, чтобы продакшен-путь был привязан к Preview, которому всего день, и в собственной карточке которого сказано, что его оценки трудно воспроизвести. Вы хотите, чтобы эта модель стояла за фолбэком и получала долю трафика, которую можно увеличивать по мере накопления подтверждений, — автоматическое переключение на проверенную модель при ошибке или тайм-ауте, а не переписывание, когда эксперимент разочарует.

Этот подход также позволяет эмпирически ответить на вопрос о цене. Направьте 10% вашего трафика на кодирование в Ripple, оставьте 90% на Muse Wonder и сравнивайте не счёт за токены, а стоимость завершённой задачи — включая повторные попытки и время человека. Один API-ключ, одна строка выставления счетов, и число, которое вы сможете защитить на совещании по планированию, — это больше, чем даст любая таблица бенчмарков.

Кто должен заплатить в двадцать раз больше?

Платите за Muse Wonder, если ваша работа мультимодальна, рассчитана на длительный горизонт или ориентирована на клиентов: агенты, которые читают скриншоты, ассистенты, которым нужно помнить пользователя между сессиями, — всё, где 27% галлюцинаций уже слишком много и вам нужна надёжность, которую обеспечивает постобучение в передовой лаборатории. $6.95 за индексную задачу — справедливая цена за модель, которая доводит задачу до конца.

Запускайте Ripple 65B Preview, если работа только текстовая, ограниченная по объёму и высоконагруженная и если у вас есть оборудование или дешёвый эндпоинт: пакетная классификация, ревью кода по фиксированной рубрике, локальный ассистент, база для файнтюнинга. При $0.20 и $0.60 он в тридцать три раза дешевле на выходе, и на нагрузке, которая соответствует его сильным сторонам, это соотношение перевешивает отставание на 34,5 пункта в одном бенчмарке.

Ошибкой было бы воспринимать разрыв DeepSWE как вердикт. Это один экзамен, пройденный один раз, о результатах которого сообщила лаборатория, его составившая. Число, которое должно стать для вас решающим, — не 78.8 против 44.3, а то, что покажет ваш собственный набор задач, когда вы запустите оба, и этого числа не существует, пока вы его не получите.