Ripple 65B Preview vs Gemini 4 Argon: Ett prisstup möter öppna vikter

Den 1 december 2026 – tjugosex dagar från i dag – Gemini 4 Argons publicerade priser fördubblas. Indata går från 2,00 USD till 4,00 USD per miljon token, utdata från 10,00 USD till 20,00 USD, cachad indata från 0,10 USD till 0,20 USD, och batch- och prioritetsnivåerna förändras med samma faktor. Google har uttryckligen angett att nuvarande prissättning är introducerande, inte en rabatt som tyst kan bli permanent. Den tidsgränsen är den verkliga axeln i den här jämförelsen, eftersom Ripple 65B Preview, som släpptes den 4 november 2026 under Apache 2.0, inte har något pris som kan röra sig över huvud taget: med 65 miljarder täta parametrar är den tillräckligt liten för att köras på din egen hårdvara, och kostnaden blir en GPU-räkning i stället för en token-taxa.

Om det bytet är vettigt beror helt och hållet på hur mycket du använder. Det här är räkningen, upplagd före benchmarkarna.

Siffrorna på varje sida

• Gemini 4 Argon, idag – $2.00 inmatning / $10.00 utmatning per miljon, $0.10 cacheläsning, batch och flex till $1.00 / $5.00, prioritet till $3.60 / $18.00br/> • Gemini 4 Argon, från 1 december – $4.00 / $20.00, cache $0.20, batch $2.00 / $10.00, prioritet $7.20 / $36.00br/> • Ripple 65B Preview – ingen leverantörsprislista; Apache 2.0-vikter, självhostad. Priser hos tredjepartsleverantörer ligger nära $0.20 / $0.60br/> • Oberoende poäng – Argon 50 på Artificial Analysis Intelligence Index v5.0.1 till $7.68 per indexuppgift; Ripple har ingen post i indexetbr/> • Kontext – Argon 1 048 576 token delas mellan inmatning, tänkande och utmatning; Ripple uppges klara upp till 1M, tränad i långkontextfaser med 2M tokenbr/> • Utmatningshastighet – Argon 55 tok/s uppmätt; Ripple 250 tok/s uppges på 2×B200 vid batch 8, BF16

Kör en agentarbetsbelastning på 2 miljoner indatatokens och 400 000 utdatatokens per månad. Med Argons introduktionspris blir det $4 plus $4 – $8. Från och med den 1 december är det $16. På en hostad Ripple-endpoint enligt katalogpriset skulle det kosta ungefär $0,40 plus $0,24, cirka $0,64, innan du betalar för något annat. Det gapet är inte ett avrundningsfel, och det är anledningen till att den här jämförelsen är värd mer än ett specifikationsblad: vid små volymer är skillnaden brus, och i agentskala avgör den arkitekturen.

Vad du egentligen köper från Argon

Gemini 4 Argon tillkännagavs den 30 september 2026 och blev allmänt tillgänglig den 13 oktober. Det är en modell med 1 miljon token och en delad kontextbudget – indata, tanketoken och utdata tar alla från samma pool – samt ett standardtak för synkron utdata på 65 536 token. För att komma nära den fulla miljonen i en enda utdata krävs bakgrundsvägen för lång avkodning med polling, i steg om högst 64K. Det är den här typen av detalj som en rad med "1M kontext" på en jämförelsesida suddar ut, och den förändrar vad modellen är bra på: Argon är utmärkt på att läsa en stor korpus och producera ett måttligt svar, och besvärlig när det gäller att producera en bok i ett enda anrop.

Dess uppmätta profil ligger på mellannivå inom frontier. Artificial Analysis placerar den på 50 på v5.0.1-indexet, under Claude Opus 5.5 på 59 och GPT-6.1 Sol på 55, till en kostnad av 7,68 dollar per indexuppgift – mer än sex gånger Sols 1,27 dollar för en lägre poäng. Googles egna publicerade tabeller visar att den vinner snävt på DeepSWE v1.1 med 77,9 och förlorar på Terminal-Bench 4.0, FrontierSWE v2 och OSWorld-2.0, med den vanliga varningen att leverantören valde raderna. Dess mest utmärkande siffra är en hallucinationsfrekvens på 15 % på AA-Omniscience, långt under frontiernormen.

Inget av det är ett skäl att undvika det. Det som talar för Argon är arbete med långa dokument till ett pris som fram till 1 december är genuint aggressivt – 2 dollar för input per miljon tokens är samma som GPT-6.1 Sol och en femtedel av Opus 5.5.

Vad Ripple är, utan lanseringens glans

Ripple 65B Preview är en 80-lagers tät transformer med en 5 120 bred residualström, 65 miljarder parametrar som alla är aktiva, och en uppsättning arkitekturval som Ricursive beskriver som Gemma 3N-liknande: extra attention-huvuden, en högre kvot mellan sliding window och global, ett mindre sliding window, FFN-aktiveringsklippning, gated attention, global NoPE och value residuals. Den är Apache 2.0 och levereras som BF16 instruct, NVFP4 instruct, BF16 base och en DFlash2-variant.

Effektivitetsanspråken är den intressanta delen i den här jämförelsen. Ricursive säger att hela projektet kostade 32 miljoner dollar, ungefär en tiondel av det tidigare öppna viktläget i toppklass inom agentisk kodning, med 1,4 miljoner RL-rollouts – ungefär sjuttio gånger färre än Reflection Beam – vid 40 % MFU, och att det höll 250 tokens per sekund på två B200:or vid batchstorlek åtta i BF16. Artificial Analysis mäter Argon till 55 tokens per sekund. En 65B dense-modell vid 250 tok/s på två GPU:er är en annan klass av driftsättning än ett frontier-API, och det är den enda delen av Ripple-pitchen som inte beror på en benchmark-harness.

Kontextpåståendet behöver samma granskning som Argons. Ricursive listar träningssteg på 8K, 64K, 2M och 128K och marknadsför ett 1M-fönster. En tredjepartskatalog listar redan modellen med en kontext på 16,4K, vilket uppenbart är fel enligt modellkortet men bör räcka för att få dig att verifiera fönstret i din egen testrigg innan du designar utifrån det. Ett 1M-påstående för en två dagar gammal förhandsversion är ett påstående, inte en mätning.

Benchmarkproblemet, i ett stycke.

Du kan inte jämföra de här två direkt i ett diagram. Argons publicerade kodningssiffror är mestadels Terminal-Bench 4.0 och DeepSWE v1.1; Ripples huvudresultat är Terminal-Bench 2.1 på 80,52, en annan uppsättning uppgifter med ett mer gynnsamt tak. Den enda raden med samma version som båda publicerar är DeepSWE v1.1, där Argon rapporterar 77,9 och Ripple rapporterar 44,3 – ett resultat som går direkt emot det intryck som Terminal-Bench-siffrorna skapar. Ingen av siffrorna är oberoende verifierad för Ripple, och Argons är leverantörsvalda. Betrakta jämförelsen som oavgjord tills en neutral testrigg kör båda.

Beslutet, i två fall

Burstigt, dokumenttungt, låg volym. Argon vinner och decemberhöjningen spelar förmodligen ingen roll. Om du bearbetar några hundra långa PDF:er i månaden är skillnaden mellan $8 och $16 ett avrundningsfel, och ett delat fönster på 1M med låg halluciationsfrekvens är värt mer än en 3× tokenbesparing som du själv måste hantera. Lås in före 1 december om du kan – avgiftsändringen gäller användning, inte avtal som tecknats tidigare, så ett avtal om förpliktigat spenderande är värt att fråga om just den här månaden.

Stabilt tillstånd, hög volym, smal uppgift. Kalkylen vänder. Två B200:or till en fast månadskostnad kontra 4 800 USD i Argon-utdatatokens vid 400K/månad i skala är inte ett svårt val, och Apache 2.0 innebär ingen licensförhandling. Haken är att du ärver serveringsstacken, kvantiseringsbesluten och utvärderingsarbetet, och du satsar på en förhandsversion-checkpoint utan oberoende poäng.

OrcaRouter ligger på Argonsidan av den gränsen. Gemini 4 Argon är en av över 200 modeller som finns på en enda nyckel, med 0 % påslag – Googles listpris förs vidare, så ändringen den 1 december slår igenom här samma dag i stället för vid nästa avtalsförnyelse. Om det är prisändringen som oroar dig är routnings-DSL:en den praktiska säkringen: kombinera Argon för långkontextläsningen och lämna utdatafasen till en billigare modell, så kostar det blandade anropet mindre än endera modellen för sig. Ripple finns inte i katalogen, så en Ripple-baserad stack är ett självhostningsprojekt snarare än ett routningsbeslut.

Vad som skulle ändra svaret: ett oberoende Ripple-betyg, ett upphävande eller en förlängning av Argons introduktionspris, eller att Argons 1M-fönster visar sig vara användbart från början till slut utan bakgrundsvägen. Håll ett öga på den första; de andra två är kända och daterade.