Ripple-65B Preview: Trọng số Apache 2.0, tuyên bố 1 triệu token và API 16K

Ripple-65B Preview, được Ricursive Intelligence phát hành vào ngày 4 tháng 11 năm 2026, là hai sản phẩm khác nhau tùy vào cách bạn truy cập nó. Bản tải xuống gồm 129,6 GB trọng số Apache 2.0 mà thẻ mô hình của nó quảng cáo ngữ cảnh “lên tới 1M” token. Endpoint thương mại đầu tiên mang cùng checkpoint đó quảng cáo 16.384. Cả hai con số đều mô tả cùng một mô hình, và khoảng cách giữa chúng là điều hữu ích nhất mà một nhà phát triển có thể biết về bản phát hành này trước khi dành một ngày cho nó.

Tuyên bố chính của phòng thí nghiệm hẹp hơn vẻ ngoài mà bài đăng ra mắt tạo ra và thú vị hơn những gì các bài đưa tin đến nay đã nhận thấy. Ricursive tuyên bố đạt mức tiên tiến nhất (state of the art) trong các mô hình trọng số mở của Mỹ về lập trình tác tử — 80,52 trên Terminal-Bench 2.1 — từ một mô hình 65B thuộc loại dense được huấn luyện với chi phí được báo cáo là 32 triệu USD. Đây là tuyên bố thực về một hiện vật thực: các trọng số có thể tải xuống, không bị chặn và được cấp phép cho mục đích thương mại mà không cần thỏa thuận đàm phán riêng. Tính đến ngày 5 tháng 11, đây cũng hoàn toàn là thông tin do nhà cung cấp tự báo cáo. Artificial Analysis không có mục nhập nào cho mô hình này.

Điều gì thực sự đã xuất hiện trên Hugging Face

Bốn kho lưu trữ đã được đăng lên vào ngày 4 tháng 11 và những điểm khác biệt này rất quan trọng vì chúng thay đổi phần cứng bạn cần:

• Ripple-65B Preview — checkpoint BF16 được tinh chỉnh theo chỉ dẫn, 16 shard safetensors tổng cộng 129.57 GB, Apache 2.0, không yêu cầu quyền truy cập.

• Ripple-65B Preview NVFP4 — một bản dựng 4-bit thử nghiệm ở 57.22 GB trên 6 shard, lượng tử hoá các lớp MLP trong khi vẫn giữ attention ở BF16.

• Ripple-65B Base Preview — checkpoint chỉ tiền huấn luyện, không có giai đoạn huấn luyện trung gian, không có dữ liệu hỏi đáp tổng hợp, cũng 129.57 GB.

• Ripple-65B Preview DFlash2 — một mô hình nháp 8,08 GB dùng cho giải mã suy đoán, 4,04B tham số, tạo các khối nháp gồm 16 token so với mô hình đích.

Kiến trúc này là một sự quay về có chủ đích. Trong khi mọi phòng thí nghiệm khác ở quy mô này đều đã chuyển sang mixture-of-experts, Ricursive lại xây dựng một Transformer dày đặc, mỏng và sâu: d_model 5120, 80 lớp, 80 đầu chú ý dùng chung 8 đầu key-value, từ vựng 100.352 token và cửa sổ trượt 1.024 token được áp dụng trên một mẫu lớp lai. Cắt kích hoạt FFN, chú ý có cổng, NoPE toàn cục và value residual hoàn thiện các sửa đổi mà nhóm đã tiếp thu khi nâng cấp dần từ đường cơ sở Olmo 3.

Stack huấn luyện được công bố chi tiết hơn mức hầu hết các model card thường đề cập: 12T token tiền huấn luyện ở độ dài chuỗi 8K, 200B token huấn luyện giữa ở 64K, 6.5B token mở rộng ngữ cảnh dài ở 2M, 183B token SFT ở 128K, và 700 bước RL ở 128K. Nhóm đã tăng từ một người lên năm người trong quá trình phát triển, và báo cáo 40% MFU mà không dùng kernel tùy chỉnh.

Một lưu ý về tên gọi, vì các kết quả tìm kiếm vốn đã làm rối việc này: Ricursive Intelligence là phòng thí nghiệm thiết kế chip mà bài đăng ra mắt mô tả việc đồng tối ưu hóa phần cứng, phần mềm và mô hình. Đây không phải Recursive, công ty khởi nghiệp AI tự cải thiện đứng sau Flint. Hai công ty không liên quan đến nhau, và những bài viết trộn lẫn chúng là sai.

Tuyên bố về benchmark, và nó lan truyền đến đâu

Terminal-Bench 2.1 là nơi quyết định thành bại của đợt ra mắt, và con số là 80.52. Ricursive đưa nó vượt lên trên Reflection Beam 501B ở 80.1, Meta Muse Spark Open 816B ở 76.4, Thinking Machines Inkling 975B ở 63.8 và NVIDIA Nemotron 3 Ultra 550B ở 56.4 — tất cả đều lớn hơn từ bảy đến mười lăm lần về tổng số tham số.

Điều khiến bảng đó đáng giá hơn bảng thông số thông thường của nhà cung cấp là cột thứ hai. Ricursive đã chạy lại phép so sánh dưới harness Terminus 2 chính thức ở 128K có tóm tắt, và báo cáo rằng điểm số đã thay đổi gần như ở mọi nơi trừ chính nó: Ripple giữ nguyên ở 80,5, Muse Spark tăng lên 78,7, Reflection Beam giảm từ 80,1 xuống 70,8, Inkling từ 63,8 xuống 56,2, Nemotron từ 56,4 xuống 55,1. Một phòng thí nghiệm công bố harness mà ở đó điểm của chính mình đứng yên còn điểm của đối thủ sụp đổ đang làm điều mà hầu hết các bài đăng ra mắt đều né tránh. Đây vẫn là một phòng thí nghiệm tự chấm bài của mình — mọi con số trong bảng đó đều do quy trình đánh giá của Ricursive tạo ra — nhưng gradient chạy đúng hướng.

Lời khẳng định này không còn đúng ngay khi bạn rời khỏi terminal. Trên DeepSWE 1.1, Ripple đạt 44.3 so với 60.0 của Muse Spark. Trên MCP Atlas, nó đạt 71.67, xếp sau Muse Spark với 89.2 và Inkling với 76.0. Trên SciCode, nó đứng cuối trong nhóm năm mô hình với 39.4, sau Beam với 49.2 và Muse Spark với 58.5. Mô thức này nhất quán: Ripple mạnh ở công việc terminal dài hạn và các tác vụ phần mềm nhiều bước, đồng thời ở mức bình thường ở việc tạo mã khoa học và độ phủ giao thức công cụ. Nếu khối lượng công việc của bạn là một agent thao tác qua shell, lời khẳng định này nhắm đến bạn. Nếu đó là một trợ lý nặng về MCP, thì không.

Và cách đóng khung này đang âm thầm phát huy tác dụng. “U.S. open-weight state of the art” là một từ hạn định, không phải một tiền tố có thể bỏ qua. Nó loại trừ DeepSeek, Qwen và mọi phòng thí nghiệm không thuộc Hoa Kỳ khác, nên đây là tuyên bố về mô hình open-weight tốt nhất được huấn luyện bên trong Hoa Kỳ, chứ không phải mô hình open-weight tốt nhất.

Mô hình cơ sở là tài liệu trung thực hơn.

Thẻ Base Preview chứa một câu mà bài đăng ra mắt không mở đầu bằng: checkpoint đã được huấn luyện trước “có thể so sánh với DeepSeek V3.1 và V4 Flash về suy luận, toán học và lập trình,” trong khi Nemotron 3 Ultra “thống trị trong các đánh giá tiền huấn luyện truyền thống.” Những con số ủng hộ sự khiêm tốn đó. Base MMLU-Pro là 61.5, so với 68.3 của DeepSeek V4 Flash 284B và 79.1 của Nemotron 3 Ultra 550B. Base GPQA Diamond là 38.4, thấp hơn đáng kể so với V4 Flash ở 44.4.

Đọc hai bảng đó cùng nhau thì câu chuyện sẽ rõ nét hơn. Nền tảng tiền huấn luyện của Ripple là đáng nể nhưng chỉ ở mức trung bình đối với một lượt chạy 12T token — ngân sách tiền huấn luyện nhỏ nhất trong chính nhóm so sánh của nó, so với 20T của Nemotron và 32T+ của V4 Flash. Gần như toàn bộ lợi thế lập trình tác tử đến từ ngăn xếp hậu huấn luyện: hỗn hợp dữ liệu midtraining, phần mở rộng ngữ cảnh dài, và 700 bước RL mà Ricursive nói đã đạt 80.5 trong 1.4M rollout, ít hơn khoảng 70 lần so với mức Reflection Beam cần. Đó là một kết quả thú vị hơn bảng điểm chuẩn, và cũng mong manh hơn — một cuộc leo dốc RL mạnh trên các môi trường tổng hợp tầm xa đúng là kiểu công thức chuyển giao không đồng đều sang những tác vụ mà phòng thí nghiệm không huấn luyện nhắm tới.

Tại sao số ngữ cảnh lại là hai số?

Thẻ mô hình ghi 1M. Cấu hình ghi max_position_embeddings 2,097,152. Endpoint được lưu trữ ghi 16,384 với giới hạn đầu ra 14,745 token. Không ai nói dối; đây là ba thứ khác nhau, và phép tính giải thích vì sao nhà cung cấp lưu trữ đầu tiên lại chọn con số mà họ đã chọn.

KV cache là nơi ngữ cảnh dài phải trả giá. Với 80 lớp, 8 đầu KV, kích thước đầu là 128 và lưu trữ BF16, mỗi lớp tốn 4.096 byte bộ nhớ đệm cho mỗi token — 2.048 cho khóa và 2.048 cho giá trị. Trên toàn bộ 80 lớp, con số đó là khoảng 0,33 MB mỗi token. Ở 16.384 token của endpoint, con số đó là khoảng 5,4 GB. Ở một triệu token với mọi lớp đều attention toàn cục, sẽ là khoảng 344 GB bộ nhớ đệm nằm trên 130 GB trọng số.

Đó là mục đích của cửa sổ trượt. Hầu hết các lớp của Ripple chỉ chú ý trong một cửa sổ 1.024 token; một số ít chú ý toàn cục, và chỉ những lớp đó mới tăng theo ngữ cảnh. Nếu 16 trong 80 lớp là toàn cục, một triệu token tốn khoảng 69 GB bộ nhớ đệm thay vì 344 GB — lớn, nhưng vẫn phục vụ được trên một nút đa GPU. Tỷ lệ phân chia chính xác được đặt bởi mẫu lớp lai trong config.json, và đó là thứ đầu tiên cần kiểm tra với bất kỳ ngăn xếp phục vụ nào bạn dùng, vì tỷ lệ phân chia đó, không phải con số hào nhoáng, mới là hóa đơn bộ nhớ của bạn.

Vậy hãy coi hai con số đó là hai sự thật. Một triệu token là một năng lực kiến trúc tồn tại trong các trọng số và sẽ cần một node đủ mạnh để phục vụ. Mười sáu nghìn là mức mà endpoint thương mại đầu tiên cung cấp — đủ cho hầu hết các vòng lặp agent, nhưng không đủ cho suy luận ở quy mô kho mã hay xử lý tài liệu dài. Nếu lý do bạn thử Ripple-65B Preview là ngữ cảnh 1M, thì tuyến dịch vụ được host không mang lại điều đó cho bạn hôm nay, và tự host là con đường duy nhất làm được vậy.

Cục bộ nghĩa là 57 GB, không phải 130

Bài đăng ra mắt nói rằng mô hình “có thể vừa trên phần cứng tiêu dùng như NVIDIA DGX Spark”, còn các bài đưa tin đã biến điều đó thành khẳng định chắc nịch rằng nó “chạy trên MacBook”. Dung lượng tải xuống cho bạn biết mỗi tuyên bố đang nói về artefact nào.

• Checkpoint instruct BF16 có dung lượng 129,57 GB. Chỉ riêng nó, trước cả KV cache hay mọi chi phí phát sinh khi chạy, đã cần một bộ tăng tốc thuộc lớp 192 GB hoặc phải chia tách trên nhiều GPU.

• Bản dựng NVFP4 có dung lượng 57,22 GB. Mức này vừa vặn với một máy có bộ nhớ hợp nhất 128 GB và vẫn còn chỗ cho ngữ cảnh làm việc — và nó được dán nhãn là thử nghiệm, với phần attention vẫn để ở BF16.

• DFlash2 drafter bổ sung 8.08 GB và đổi lấy giải mã suy đoán, chứ không phải chất lượng.

Con số 250 tok/s là con số của datacenter: 2×B200 ở batch 8, trước khi lượng tử hóa và dùng custom kernel. Trên một chiếc Spark, bạn đang đánh đổi thông lượng để có một cỗ máy nằm ngay trên bàn mình. Cả hai con số đều không sai; chúng chỉ thuộc về những cỗ máy khác nhau, và câu chuyện local chỉ khả thi với checkpoint đã lượng tử hóa.

Chi phí của một cuộc gọi

Endpoint được host đầu tiên niêm yết $0.20 mỗi triệu token đầu vào và $0.60 mỗi triệu token đầu ra, với lượt đọc đầu vào đã lưu trong bộ nhớ đệm ở mức $0.05. Tính toán trên một lệnh gọi agent thực tế — một prompt 16.000 token so với toàn bộ cửa sổ, trả về 2.000 token — thì đó là $0.0032 đầu vào và $0.0012 đầu ra, tức khoảng $0.0044. Đưa 10 triệu token mỗi ngày qua đó với tỷ lệ phân chia đầu vào/đầu ra 80/20 thì bạn sẽ ở mức $2.80.

Bộ nhớ đệm là đòn bẩy đáng tận dụng. Một system prompt 16.000 token được lặp lại chỉ tốn $0.0008 theo mức giá đã cache thay vì $0.0032, tức cắt giảm 4 lần ở phía đầu vào — mà với một agent gửi lại cùng các định nghĩa công cụ mỗi lượt, đó chính là phần lớn hóa đơn.

Vị trí của OrcaRouter: hiện chúng tôi không cung cấp Ripple-65B Preview, nên không có mức markup nào để so sánh và cũng không có lý do gì để giả vờ khác đi. Điều mà bản preview thay đổi là lý do giữ một mô hình chưa được chứng minh ra khỏi đường dẫn production của bạn trong khi bạn đo lường nó. Hãy định tuyến mô hình hiện tại mà lưu lượng của bạn đã phụ thuộc vào qua một khóa — hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên với 0% markup, tự động chuyển đổi dự phòng khi một nhà cung cấp gặp trục trặc — và đặt Ripple bên cạnh nó trong một đánh giá offline thay vì đặt trước người dùng. Nếu các con số giữ vững, routing DSL sẽ chuyển một phần lưu lượng mà không cần tích hợp thứ hai; nếu không, phương án dự phòng chưa bao giờ là vấn đề.

Ai nên dùng thử, và điều gì sẽ thay đổi cục diện

Hãy thử ngay nếu bạn đang xây dựng một agent terminal hoặc shell, bạn muốn một checkpoint Apache 2.0 có thể tinh chỉnh mà không cần luật sư, và cửa sổ 16K là đủ cho vòng lặp của bạn. Kiến trúc dense là một lợi thế thực sự cho bất kỳ ai phục vụ trên phần cứng khiêm tốn — không định tuyến chuyên gia, không all-to-all, độ trễ có thể dự đoán — và một mô hình dense 65B đạt 80.5 trên Terminal-Bench là kết quả đáng để tái tạo trên chính các tác vụ của bạn hơn là tranh luận về nó.

Hãy chờ nếu bạn cần ngữ cảnh dài từ một endpoint được host, nếu công việc của bạn nặng về MCP hoặc mã khoa học, hoặc nếu bạn cần bất kỳ con số nào không do phòng thí nghiệm đã huấn luyện mô hình tạo ra. Chưa có đánh giá độc lập nào: chưa có mục nào trên Artificial Analysis và chưa có bản tái lập của bên thứ ba đối với con số 80.52. Đối với một bản phát hành Preview mới một ngày, đó là điều bình thường chứ không đáng ngờ — nhưng điều đó có nghĩa là mọi con số trong bài này đến từ Ricursive đều được ghi nhãn là của họ vì một lý do.

Ba điều sẽ giải quyết được chuyện này. Một harness thứ hai do người không huấn luyện mô hình chạy. Một host phục vụ hơn 16.384 token, điều này sẽ cho chúng ta biết liệu tuyên bố ngữ cảnh 1M có đứng vững khi tiếp xúc với bộ lập lịch hay không. Và một checkpoint không phải bản xem trước, vì Ricursive đã nói rõ rằng post-training ở đây khá nhẹ và biến thể nội bộ đằng sau nền tảng thiết kế chip của họ mới là sản phẩm mà họ thực sự đang xây dựng. Cho đến lúc đó, dòng tít chỉ là một tuyên bố còn bản tải xuống là thật — và khoảng cách giữa hai điều đó chính là nơi tháng đánh giá tiếp theo sẽ diễn ra.