Ripple 65B Preview vs Kimi K3.1 Pro: สองโมเดลโอเพนเวทที่เปิดตัวใหม่ ไม่มีเบนช์มาร์กที่ใช้ร่วมกันแม้แต่ตัวเดียว

เมื่อวันที่ 4 พฤศจิกายน 2026 มีโมเดลแบบเปิดน้ำหนักสองตัวเปิดตัวห่างกันเพียงไม่กี่ชั่วโมง และแทบไม่มีใครเปรียบเทียบมันอย่างถูกต้อง Ripple 65B Preview เป็นโมเดลแบบเดนส์ขนาด 65 พันล้านพารามิเตอร์จาก Ricursive Intelligence พรีเทรนตั้งแต่ต้นด้วย 12 ล้านล้านโทเคน และเผยแพร่ภายใต้ Apache 2.0 Kimi K3.1 Pro เป็นโมเดลเรือธงแบบสแปร์สระดับล้านล้านพารามิเตอร์ของ Moonshot AI ซึ่ง API เปิดเมื่อวันที่ 23 ตุลาคม และน้ำหนักของมัน — ประมาณ 1.56 TB — เปิดเผยต่อสาธารณะเมื่อวันที่ 4 พฤศจิกายน ตัวหนึ่งเล็กพอที่จะวางบนโต๊ะ ส่วนอีกตัวต้องใช้ดาต้าเซ็นเตอร์ คำถามที่ชัดเจนคือตัวไหนดีกว่า และคำตอบที่ซื่อสัตย์คือไม่มีตัวเลขที่เผยแพร่ใด ๆ ที่ให้คุณตอบได้ เพราะสองแล็บไม่ได้รันเบนช์มาร์กแม้แต่ตัวเดียวในเวอร์ชันเดียวกันเลย

นั่นไม่ใช่การหลบเลี่ยงแบบวาทศิลป์ มันเป็นสิ่งที่มีประโยชน์ที่สุดในหน้านี้: ถ้าคุณกำลังเลือกระหว่างสองสิ่งนี้ คุณกำลังเลือกระหว่างการเดิมพันสองแบบที่แตกต่างกัน และตาราง benchmark ไม่สามารถเลือกแทนคุณได้

แต่ละโมเดลจริงๆ แล้วคืออะไร

Ripple 65B Preview เป็นแบบ dense ไม่ใช่ sparse พารามิเตอร์ทั้ง 65 พันล้านตัวของมันทำงานกับทุกโทเคน ในทรานส์ฟอร์เมอร์แบบ "thin-and-deep" 80 ชั้นที่มี residual stream กว้าง 5,120 Ricursive อธิบายการออกแบบนี้ว่าเป็นการย้ายออกจากสถาปัตยกรรม Olmo 3 ไปสู่แนวแบบ Gemma 3N — attention head ที่จัดสรรไว้เกินความจำเป็น สัดส่วน attention แบบ sliding-window ต่อ global ที่สูงขึ้น gated attention, global NoPE, value residuals และ FFN activation clipping การฝึกใช้ 877,500 สเต็ปที่ความยาวลำดับ 8K บนคอร์ปัสข้อความล้วนซึ่งส่วนใหญ่เป็นภาษาอังกฤษและโค้ด ตามด้วย midtraining ขั้นตอน long-context และ RL แบบเบาๆ ที่เน้นการเขียนโค้ดแบบ agentic Ricursive ประเมินค่าใช้จ่ายในการประมวลผลไว้ที่ $32M

Kimi K3.1 Pro มีลักษณะตรงกันข้าม เป็นโมเดล Mixture-of-Experts ในระดับล้านล้านพารามิเตอร์ — ผู้ติดตามบุคคลที่สามประเมินว่ามีขนาดรวมประมาณ 2.8T โดยมีพารามิเตอร์ที่ใช้งานจริงราว 104B ต่อโทเค็น — และบันทึกการเปิดตัวของ Moonshot อธิบายว่าเป็น K3 ที่ผ่านการ post-train แล้ว โดยมีงบประมาณ RL มากกว่ามากซึ่งกระจายไปยังหลายร้อยโดเมน สื่อเปิดตัวของบริษัทเองเรียกมันว่าเป็นเวอร์ชัน post-trained ของ K3 แต่ model card เล่าเรื่องที่เจาะจงกว่า: โครงสร้างหลักเปลี่ยนจากเลเยอร์ Gated MLA 24 ชั้นเป็นเลเยอร์ Gated DSA 24 ชั้น มาพร้อมอินพุตข้อความ รูปภาพ และวิดีโอ ความพยายามในการให้เหตุผลที่กำหนดค่าได้ และหน้าต่างบริบท 1,048,576 โทเค็น

• พารามิเตอร์ — 65B แบบ dense (ทำงานทั้งหมด) เทียบกับ ~2.8T ทั้งหมด / ~104B ที่ทำงาน ตามข้อมูลจากตัวติดตามของบุคคลที่สาม

• บริบท — 1M โทเคนที่โฆษณาไว้ เทียบกับ 1,048,576 โทเคนที่โฆษณาและให้บริการจริง

• สัญญาอนุญาต — Apache 2.0 เทียบกับสัญญาอนุญาต Kimi K3 ที่เปลี่ยนชื่อใหม่ พร้อมเกณฑ์ MaaS ที่ $20M/12 เดือน

• น้ำหนักบนดิสก์ — เช็กพอยต์ BF16 แบบรีโปเดียว พร้อมตัวแปร NVFP4 และตัวแปรฐาน เทียบกับ ~1.56 TB ที่กระจายอยู่ใน 96 ชาร์ด MXFP4

• รูปแบบข้อมูล — ข้อความเข้า ข้อความออก เทียบกับ ข้อความ รูปภาพ และวิดีโอเข้า ข้อความออก

• ราคา — $0.20 / $0.60 ต่อล้านโทเค็นอินพุต/เอาต์พุตในรายการของบุคคลที่สาม เทียบกับ $2.00 / $10.00 ซึ่งเป็นอัตราที่แคตตาล็อกของเราเองกำหนด

ตัวเลขที่ดูเหมือนจะชนะขาดลอยนั้นไม่ใช่เลย

การ์ดของ Ripple ระบุว่าได้ 80.5 บน Terminal-Bench 2.1 ส่วนประกาศเปิดตัวของ Kimi ระบุว่าได้ 65.7 บน Terminal-Bench 4.0 เมื่อนำมาเทียบกัน Ripple ดูเหมือนจะชนะไปเกือบ 15 คะแนนด้วยขนาดที่เล็กกว่าเพียงเศษเสี้ยว การเปรียบเทียบนั้นไม่มีความหมาย และกำลังถูกทำกันอยู่ตลอดในการตอบกลับของทั้งสองกระทู้ประกาศเปิดตัว

Terminal-Bench 4.0 เป็นฮาร์เนสรุ่นหลังที่ยากกว่าฉบับ 2.1 โมเดลที่ได้ 80 ในชุดงาน 2.1 ยังไม่ได้รับการพิสูจน์ว่าอยู่ห่างจากโมเดลที่ได้ 65.7 ใน 4.0 ไม่เกินสิบห้าคะแนน — สิ่งที่พิสูจน์ได้คือมันได้สอบข้อสอบคนละชุดกัน กับดักเดียวกันนี้กลืนการเปรียบเทียบอื่น ๆ ที่ยังวนเวียนอยู่: คะแนน 79.1 ของ Ripple บน SWE-bench Pro v2.0 Hard, 44.3 ของมันบน DeepSWE 1.1, 76.5 ของมันบน SWE-bench Verified เทียบกับ 51.7 ของ Kimi บน SWE Marathon v1.1 และ 61.2 บน Kimi Code Bench 3.0 Long-horizon นั่นคือหกเบนช์มาร์ก โดยไม่มีรายการใดที่ใช้ร่วมกันเลย

แม้แต่แล็บเดียวที่วัดเบนช์มาร์กเดียว ก็ยังให้ผลไม่ตรงกันเองเมื่อใช้ฮาร์เนสต่างกัน ตัวเลข Terminal-Bench 4.0 ของ Kimi K3.1 Pro ปรากฏเป็น 65.7 จาก Moonshot, 63.6 จาก Vals AI และ 67 จาก Artificial Analysis — ช่วงต่าง 3.4 จุดบนโมเดลเดียวกันและเวอร์ชันเบนช์มาร์กเดียวกัน โดยมาจากเครื่องมือล้วน ๆ หากการรันเบนช์มาร์กหนึ่งชุดบนโมเดลหนึ่งสามครั้งแตกต่างกันได้ขนาดนั้น การเปรียบเทียบข้ามเวอร์ชันระหว่างสองโมเดลก็ไม่ใช่การวัดผล แต่เป็นเพียงเครื่องประดับ

Ricursive กล่าวไว้เช่นเดียวกันใน การ์ด ของตัวเอง โดยเงียบกว่าเธรดเปิดตัว การ์ดระบุว่า “การทำซ้ำคะแนน benchmark เป็นเรื่องที่ท้าทาย” และคะแนนเหล่านั้นได้มาจากความพยายามสูงสุดใน BF16 อ่านประโยคนั้นสองครั้งก่อนที่คุณจะใส่ 80.5 ลงในสไลด์

แกนที่คุณสามารถเปรียบเทียบได้จริง

สองสิ่งนี้เปรียบเทียบกันได้โดยตรงเพราะไม่ใช่คะแนน benchmark: ต้นทุนของโมเดล และสิ่งที่ต้องใช้ในการรัน

ในเรื่องราคา ช่องว่างอยู่ที่ประมาณสิบต่อหนึ่ง Kimi K3.1 Pro อยู่ที่ 2.00 ดอลลาร์ต่อหนึ่งล้านโทเค็นอินพุต และ 10.00 ดอลลาร์ต่อหนึ่งล้านโทเค็นเอาต์พุตในแคตตาล็อกของเรา ซึ่งส่งต่อจากราคาลิสต์ของ Moonshot โดยไม่บวกเพิ่ม Ripple 65B Preview ถูกระบุไว้ที่ 0.20 ดอลลาร์และ 0.60 ดอลลาร์บนเอนด์พอยต์ที่โฮสต์แห่งแรก — เป็นตัวเลขที่ควรถือเป็นราคาชั่วคราว เพราะ Ricursive ยังไม่ได้เผยแพร่ตารางราคาของตนเอง เอนด์พอยต์เดียวกันนั้นให้บริบท 16,384 โทเค็น เทียบกับหน้าต่างที่โฆษณาไว้ 1M และมีแทร็กเกอร์อย่างน้อยหนึ่งแห่งติดป้ายว่าโมเดลนี้เป็นแบบ proprietary ในขณะที่น้ำหนักโมเดลเปิดเผยต่อสาธารณะบน Hugging Face ภายใต้ Apache 2.0 เมื่อแทร็กเกอร์ผิดเรื่องสัญญาอนุญาตถึงขนาดนั้น ราคาของพวกเขาก็ควรได้รับความสงสัยแบบเดียวกัน

ความแตกต่างของต้นทุนที่ใหญ่กว่าอยู่ที่ต่อคำตอบ ไม่ใช่ต่อโทเคน Kimi K3.1 Pro เป็นโมเดลเชิงเหตุผลที่ปล่อยโทเคนเอาต์พุตประมาณ 55,000 โทเคนต่องานในดัชนี Artificial Analysis; ที่ราคา 10 ดอลลาร์ต่อล้านโทเคนเอาต์พุต นั่นคิดเป็นสัดส่วนใหญ่ของ 1.98 ดอลลาร์ที่ดัชนีคิดต่อหนึ่งงาน ตัวเลขของ Ripple มาจากโมเดลที่มีการปรับแต่งหลังการฝึกแบบเบาและไม่มีลำดับขั้นการให้เหตุผลที่กำหนดค่าได้ ดังนั้นมันควรปล่อยโทเคนน้อยกว่ามาก — แต่จนกว่าจะมีคนรันชุดงานเดียวกันผ่านทั้งสองโมเดล ตัวเลขต่องานจึงเป็นการประมาณ ไม่ใช่ข้อเท็จจริง จำนวนโทเคนต่อคำตอบ ไม่ใช่ดอลลาร์ต่อโทเคน คือจุดที่โมเดลเล็กมักชนะ และเป็นจุดที่การเปรียบเทียบในกระทู้เปิดตัวไม่เคยพูดถึง

การ Deploy คือจุดที่ทั้งสองแยกจากกันอย่างสิ้นเชิง

การดาวน์โหลด Kimi K3.1 Pro มีขนาดประมาณ 1.56 TB กระจายอยู่ใน 96 ชาร์ด safetensors ในรูปแบบ MXFP4 โดย QAT ช่วยรักษาคุณภาพไว้ที่ความกว้างดังกล่าว คุณไม่ได้รันมันบนเวิร์กสเตชัน ตัวเลือกที่เป็นจริงคือปลายทางแบบโฮสต์หรือคลัสเตอร์หลายโหนด และสัญญาอนุญาตได้เพิ่มเกณฑ์เชิงพาณิชย์ที่สำคัญเมื่อใช้งานในระดับสเกล: เงื่อนไขทริกเกอร์ MaaS ที่ 20 ล้านดอลลาร์/12 เดือน พร้อมข้อกำหนดด้านการตั้งชื่อเมื่อมีผู้ใช้ 100 ล้านคนต่อเดือนหรือมีรายได้ 20 ล้านดอลลาร์ต่อเดือน

Ripple 65B Preview ถูกสร้างขึ้นสำหรับอีกปลายหนึ่งของสเปกตรัมนั้น ใน BF16 เช็กพอยต์มีขนาดราว 130 GB ซึ่งเป็นเหตุผลว่าทำไมประโยค “รันบน MacBook” ในข่าวการเปิดตัวจึงต้องออกแรงมากกว่าที่ตัวมันยอมรับ — 130 GB ไม่พอดีกับหน่วยความจำแบบรวมของแล็ปท็อปหากไม่ทำการควอนไทซ์ สิ่งที่การ์ดของ Ricursive อ้างจริง ๆ คือ NVIDIA DGX Spark บวกกับ 250 โทเค็นต่อวินาทีบน B200 สองตัวที่ batch size 8 ก่อนใช้เคอร์เนลแบบกำหนดเอง รีโปยังมีเวอร์ชัน NVFP4 ซึ่งเป็นเวอร์ชันที่ทำให้การติดตั้งบนเครื่องขนาดเล็กเป็นไปได้จริง

ดังนั้นคำถามเรื่องการดีพลอยจึงตอบตัวเองได้ก่อนผลเบนช์มาร์กเสียอีก ถ้าคุณมี DGX Spark และไม่มีงบประมาณสำหรับ GPU Ripple ก็เป็นโมเดลที่คุณเป็นเจ้าของได้ ถ้าคุณไม่มีทั้งแร็กสำรองและไม่มีความอยากที่จะดาวน์โหลด 1.56 TB Kimi ก็เป็นโมเดลที่คุณเช่าใช้

การเรียกอันใดอันหนึ่ง

นี่คือจุดที่ทั้งสองเริ่มไม่สมมาตรกันแล้ว Kimi K3.1 Pro พร้อมใช้งานบน OrcaRouter วันนี้ในราคาตามที่ประกาศไว้ — ขาเข้า $2.00 ขาออก $10.00 มาร์กอัป 0% ดังนั้นเมื่อ Moonshot ลดราคา การเปลี่ยนแปลงจะไปถึงคีย์ของคุณในวันเดียวกัน แทนที่จะเป็นรอบบิลถัดไป คีย์เดียวครอบคลุมโมเดลนั้นพร้อมกับโมเดลอื่น ๆ ในแคตตาล็อก ซึ่งสำคัญหากคุณใช้ Kimi เป็นระดับการยกระดับราคาแพงที่อยู่เบื้องหลังค่าเริ่มต้นที่ถูกกว่า

Ripple 65B Preview ไม่ได้อยู่ในแคตตาล็อกของเรา และเราจะไม่แกล้งทำเป็นว่าเป็นอย่างอื่น มันเข้าถึง API ผ่านเอนด์พอยต์ของ Ricursive เองและแพลตฟอร์มของบุคคลที่สาม และเวตต์ของโมเดลอยู่บน Hugging Face หากคุณต้องการได้โดยตรง การเปิดตัว Preview ใหม่เอี่ยมพร้อมการ์ดที่ยอมรับว่าคะแนนของตัวเองนั้นทำซ้ำได้ยาก เป็นกรณีที่คุณต้องการให้โมเดลอยู่เบื้องหลังเราเตอร์มากกว่าที่จะต่อสายเข้าไปในเส้นทางโปรดักชันโดยตรง — แต่นั่นจะช่วยได้ก็ต่อเมื่อผู้ขายเปิดให้มันแก่การกำหนดเส้นทางโดยบุคคลที่สามเท่านั้น

เลือกอันไหนดี

เลือก Kimi K3.1 Pro หากงานเป็นงานระยะยาวและปลายเปิด: การรีแฟกเตอร์ครั้งใหญ่ทั่วทั้งรีโพซิทอรีขนาดใหญ่, การวิเคราะห์เอกสารที่ 200K โทเคนขึ้นไป, งานใดก็ตามที่การป้อนภาพช่วยให้คุณประหยัดขั้นตอน OCR แยกต่างหาก หรืองานใดก็ตามที่คุณต้องการให้โมเดลยึดแผนไว้ตลอดการเรียกเครื่องมือหลายร้อยครั้ง คุณกำลังจ่ายในราคาที่ใกล้เคียงระดับแนวหน้า และคุณควรคาดหวังพฤติกรรมที่ใกล้เคียงระดับแนวหน้า ช่วงต่าง 3.4 จุดระหว่างฮาร์เนสเป็นเพียงสัญญาณรบกวน ส่วนบริบท 1M และอินพุตแบบหลายรูปแบบไม่ใช่

เลือก Ripple 65B Preview หากงานมีขอบเขตจำกัดและคุณต้องการเลิกจ่ายตามจำนวนโทเค็น: coding agent บนชุดงานที่กำหนดไว้ตายตัว ผู้ช่วยโลคัลบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว หรือเป้าหมายสำหรับ fine-tuning — Apache 2.0 และเช็กพอยต์แบบ dense ขนาด 65B ถือเป็นจุดเริ่มต้นที่เป็นมิตรกว่ามากเมื่อเทียบกับ MoE ขนาด 1.56 TB มองว่า 80.5 เป็นคำกล่าวอ้างจากห้องแล็บที่สร้างโมเดลนี้ บนรีวิชันของเบนช์มาร์กที่ยังไม่มีใครอื่นเผยแพร่ และตรวจสอบความถูกต้องกับงานของคุณเองก่อนที่มันจะเข้าใกล้การตัดสินใจด้านการผลิต

และหากคุณต้องการการเปรียบเทียบที่จะชี้ขาดเรื่องนี้ได้จริง มันยังไม่มีอยู่เลย ยังไม่มีใครรัน Ripple 65B Preview และ Kimi K3.1 Pro ผ่านฮาร์เนสเดียวกันในเวอร์ชันเดียวกัน จนกว่าจะมีคนทำเช่นนั้น การจัดอันดับที่ซื่อสัตย์เพียงอย่างเดียวคือการจัดตามรูปร่าง: โมเดลเล็กที่คุณเป็นเจ้าของได้ เทียบกับโมเดลใหญ่ที่คุณเช่าได้ โดยมีอัตราส่วนราคาประมาณสิบต่อหนึ่ง และไม่มีข้อสอบร่วมกันที่จะใช้ตัดสินแพ้ชนะ