Ripple-65B Preview vs Ripple-65B: Varför det andra namnet inte har någon modell bakom sig

Sök efter Ripple-65B Preview och du hittar en dokumenterad modell: en 65B dense Apache 2.0-checkpoint från Ricursive Intelligence, skapad 4 november 2026, med ett modellkort, fyra repositorier och ett leverantörsrapporterat 80,52 på Terminal-Bench 2.1. Sök efter Ripple-65B – samma namn med suffixet borttaget – och du hittar den modellen, om och om igen, under olika filnamn. Det finns ingen separat slutlig release. Hugging Face-organisationen listar fyra offentliga repos – Ripple-65B-Preview, Ripple-65B-Preview-NVFP4, Ripple-65B-Base-Preview och Ripple-65B-Preview-DFlash2 – och inte en enda av dem tar bort ordet ”Preview”.

Det gör den här sidan till en ovanlig jämförelsesida, och det ärliga sättet att skriva den är att säga det rakt ut från början. Ripple-65B är ingen rival till Ripple-65B Preview. Det är ett namn som folk söker efter, en platshållare för en lansering som inte har hänt och – mest användbart – ett tillfälle att besvara frågan som de sökningarna egentligen ställer: får du den färdiga modellen, eller får du en ögonblicksbild som labbet sa hade begränsad efterträning?

Vad "Preview" betyder på just det här kortet

Suffixet är inte dekorativt här, och Ricursive är ovanligt explicit om det. Modellkortet beskriver släppet som relativt lätt eftertränat: 200 miljarder midträningstoken, 183 miljarder token för övervakad finjustering, 13,5 miljarder SFT-token för lång kontext, 700 RL-steg, ovanpå en förträning på 12 biljoner token med en sekvenslängd på 8K. Allt tränas från scratch, och företagets formulering är att efterträningsbudgeten medvetet var liten i förhållande till förträningen.

Den kombinationen – enorm bas, tunn alignment – är det som ger en checkpoint som får 80,52 på Terminal-Bench 2.1 medan den ligger på 44,3 på DeepSWE 1.1 och 39,4 på SciCode. Den agentiska terminalprestandan är verkligt arbete. Bredden inom mjukvaruutveckling ser ut att vara den del som en längre post-training-körning skulle röra vid först. En slutlig Ripple-65B skulle, enligt den här tolkningen, vara en bättre modell på exakt de axlar där Preview är svagast.

Ricursive har inte förbundit sig till någon. Det finns ingen färdplan, ingen rad i lanseringsinlägget om "slutversion i Q4", och inget daterat efterföljarrepo. När ArtificialWatch bevakade lanseringen noterade de att "GA utan Preview-etiketten fortfarande ligger framför oss" — en träffande sammanfattning av ett läge som inte har förändrats sedan dess.

De fyra repon, och vad var och en faktiskt är till för

Namnförvirringen blir värre innan den blir bättre, eftersom två av de fyra reporna låter som om de skulle kunna vara den slutliga modellen, och ingen av dem är det.

• Ripple-65B-Preview — den primära instruct-checkpointen. BF16, 64 782 689 360 parametrar, 129,6 GB över 16 shards, Apache 2.0, utan åtkomstbegränsning. Det är den som alla benchmark-siffror syftar på.

• Ripple-65B-Preview-NVFP4 — samma instruct-modell kvantiserad med ModelOpt, 39 616 865 360 lagrade parametrar, taggad som 8-bit. Inte en annan modell; en mindre behållare för samma vikter.

• Ripple-65B-Base-Preview — skapad 14 oktober 2026, tre veckor före instruct-släppet. Detta är den förtränade basmodellen, utvärderad separat: MMLU 83,7, MMLU-Pro 61,5, GPQA Diamond 38,4, HumanEval 70,9, MBPP Sanitized 81,5. De siffrorna ser alarmerande ut bredvid instruct-kortets 89,6 och 85,2 tills man påminner sig om att de är basmodellspoäng — före SFT, före RL, med svar i completion-stil. Det är rätt utgångspunkt om du tänker göra din egen efterträning, och fel om du vill ha en assistent.

• Ripple-65B-Preview-DFlash2 — 4,04B parametrar, en utkastmodell för spekulativ avkodning. Den föreslår token som 65B-modellen ska verifiera och kan inte generera något på egen hand; dess kort anger rakt ut att den "kräver att målmodellen genererar text".

Fyra repon, en modell, tre av dem varianter av en checkpoint och en av dem en komponent. Ingen har publicerat en femte.

Om en slutlig Ripple-65B faktiskt släpptes, vad skulle förändras?

Detta är den konstruktiva delen av jämförelsen, och det är värt att vara konkret i stället för att bara antyda "bättre efterträning".

• Kontextfrågan skulle förmodligen redas ut. Förhandsversionen annonserar upp till 1M och tränas på 2M-token-sekvenser i sina långkontextfaser, medan kommersiella listningar har erbjudit 16,384 och på senare tid lyft fram 128K. En slutlig version är det naturliga tillfället för ett labb att säga vad modellen faktiskt är validerad för, snarare än vad arkitekturen stöder.

• DeepSWE och SciCode skulle vara siffrorna att hålla koll på. Det är där Preview ligger efter modeller som den slår på andra håll, och de är de benchmarks som svarar mest direkt på mer RL och mer SFT på riktiga repos.

• En oberoende poäng skulle sannolikt finnas vid det laget. Artificial Analysis har ingen post för någon Ripple-slug i dag, vilket innebär att varje siffra i omlopp är leverantörsrapporterad. En GA-version är den punkt då aggregatorer vanligtvis plockar upp en modell.

• Licensen skulle förmodligen förbli Apache 2.0. Inget i lanseringen tyder på att Ricursive avser att backa från det, och det är den enskilt mest värdefulla egenskapen som utgåvan har.

Inget av det där tillkännages. Det är en slutsats utifrån vad kortet säger om sin egen budget för efterträning, och det bör läsas som sådant.

Namngivningsfällan – och varför den har praktisk betydelse

Om du kopplar in den här modellen i en konfigurationsfil upphör skillnaden att vara akademisk. Den identifierare som löses upp är ricursiveAI/Ripple-65B-Preview. En begäran om ricursiveAI/Ripple-65B returnerar ingenting, eftersom ingenting med det namnet finns – och en pipeline som tyst faller tillbaka på en fuzzy-matchning kommer antingen att misslyckas eller, värre, tyst servera en bascheckpoint där du förväntade dig en instruct-checkpoint.

Samma fälla finns omvänt med basmodellen. Ripple-65B-Base-Preview är ett riktigt repository med riktiga vikter, och det är en genuint annorlunda artefakt från instruct-utgåvan: olika poäng, olika beteende, olika syfte. Den som jämför "Ripple-65B"-poäng över internet blandar nästan säkert instruct-kortets 89,6 MMLU med bas-kortets 83,7 utan att märka att de kom från två olika repos.

Tre praktiska regler följer. Fäst det exakta repo-id:t och en revisionshash, inte ett familjenamn. Anta inte att en hostad endpoint och BF16-nedladdningen är samma produkt — den hostade kan vara NVFP4, kan vara en annan revision och kommer nästan säkert att ha en annan kontextgräns. Och om ett verktyg eller en leaderboard listar "Ripple-65B" utan suffixet, kontrollera vilket repository det avser innan du citerar siffran.

Vad du kan göra med Preview idag

Ganska mycket, faktiskt, och mer än vad som var fallet för en vecka sedan. Vikterna är fritt tillgängliga och Apache 2.0, så det finns inget godkännandesteg. Sedan den 5 november har vLLM integrerat inbyggt stöd – en inbyggd RicursiveConfig, parsers för resonemang och verktygsanrop samt ett recept som som standard använder NVFP4 på en enda B300 – vilket innebär att kontrollpunkten laddas utan --trust-remote-code i den motor som de flesta team redan kör. En parallell pull request för SGLang är fortfarande öppen, så vLLM är för närvarande den enda vanliga motorn där detta är en arkitektur som stöds i stället för ett externt skript.

Kommersiellt tillhandahålls modellen till ungefär 0,20 USD per miljon indatatoken och 0,60 USD per miljon utdatatoken, där cachad indata debiteras till en bråkdel av det. De priserna gäller Preview, eftersom det är det enda som finns att tillhandahålla.

OrcaRouter har den inte. Det är värt att säga rakt ut, eftersom en jämförelsesida som avslutas med att antyda att man kan nå båda sidorna genom oss skulle vara missvisande – det finns bara en sida, och vi hostar den inte. Det vi däremot routar är det omgivande fältet: Kimi K3.1 Pro till $2,00 och $10,00 per miljon med 1M kontext, DeepSeek V4 Pro till $0,66 och $1,98 med 1M kontext och 384K utdata, Qwen3.8 Max till $2,00 och $6,00. Om anledningen till att du läser om en 65B-kodare med öppna vikter är att du vill ha en billig agentisk modell utan en upphandlingscykel, är det de som ligger på samma nyckel som allt annat, med failover och pass-through-prissättning. Ripple är den du hostar eller köper separat.

Det korta svaret

Om någon frågar dig vad skillnaden är mellan Ripple-65B Preview och Ripple-65B, är det korrekta svaret att den andra ännu inte existerar. Preview är modellen: 65B dense, Apache 2.0, 12 biljoner förträningstokens, lätt eftertränad, 80,52 på Terminal-Bench 2.1 enligt dess egen mätning, utan placering på någon oberoende lista, och tillhandahålls med ett kontextfönster som beror på vem som tillhandahåller den.

Det en slutlig version skulle tillföra är en fastställd kontextsiffra, bättre siffror på mjukvaruutvecklingsbenchmarkarna där Preview är svagast, och förmodligen den första externa verifieringen som modellen har fått. Tills Ricursive släpper den är varje "Ripple-65B"-jämförelse du läser – inklusive alla som påstår sig jämföra den med Preview – en jämförelse mellan en modell och en sökterm.