Ripple-65B Preview vs Mistral Large 4.0: 65 tỷ tham số dày đặc đối đầu MoE nghìn tỷ tham số

Đặt Ripple-65B Preview và Mistral Large 4.0 cạnh nhau trên một ổ đĩa và sự khác biệt không hề nhỏ: 129,6 GB shard BF16 so với 1.060,6 GB shard FP8, đối với hai mô hình đều tự nhận là trọng số mở và đều quảng bá lập trình tác tử. Một bên là transformer dày đặc 65B được huấn luyện từ đầu trên 12 nghìn tỷ token bởi một nhóm nghiên cứu năm người nói rằng họ đã chi 32 triệu đô la. Bên kia là hỗn hợp chuyên gia 1,05 nghìn tỷ tham số với 52 tỷ tham số hoạt động và một bộ mã hóa thị giác 1,6 tỷ tham số, đến từ một công ty có cả một dòng sản phẩm phía sau.

Phần thú vị không phải là khoảng cách kích thước. Mà là cả hai phòng lab đều chọn công bố một con số DeepSWE 1.1 — cùng một benchmark, cùng một phiên bản — và mô hình nhỏ hơn thua 17,4 điểm trên đó. Card của chính Ripple báo cáo 44,3. Mistral báo cáo 61,7 cho Large 4.0. Vậy nên trước mọi tranh luận về hiệu quả, cấp phép hay tự vận hành, trên bảng đã có một so sánh rõ ràng, cùng phiên bản, cùng bộ tác vụ, và nó không ủng hộ mô hình mới.

Mỗi phòng thí nghiệm thực sự đã tung ra những gì

Ripple-65B Preview là mô hình công khai đầu tiên của Ricursive Intelligence, được phát hành ngày 4 tháng 11 năm 2026 theo Apache 2.0, không có cổng kiểm soát và không có điều khoản bổ sung nào về mục đích sử dụng được chấp nhận ngoài chính giấy phép. Kiến trúc được chủ ý thiết kế mỏng và sâu — 80 lớp với độ rộng mô hình 5.120 — với các đầu attention được cấp phát dư thừa, tỷ lệ cao giữa lớp cửa sổ trượt và lớp toàn cục, attention có cổng, NoPE toàn cục và residual giá trị. Thẻ mô hình mô tả đây là mô hình được huấn luyện sau tương đối nhẹ, với 700 bước RL và nhấn mạnh rõ vào lập trình tác tử. Một mô hình dự thảo suy đoán 4,04B, một checkpoint NVFP4 và một mô hình nền không có cổng kiểm soát được phát hành kèm theo.

Mistral Large 4.0 là thế hệ thứ tư của một dòng sản phẩm đã là sản phẩm chủ lực của công ty kể từ năm 2023, và bản này ra mắt theo hai giai đoạn: bản xem trước API vào ngày 6 tháng 10 năm 2026, sau đó là trọng số vào ngày 29 tháng 10 theo Mistral Ecosystem Open Weight License, một tài liệu MIT sửa đổi có điều khoản về nhà cung cấp dịch vụ. Nó là đa phương thức trong khi Ripple thì không — một bộ mã hóa thị giác 1,6B tiếp nhận hình ảnh — và nó cung cấp ba mức nỗ lực suy luận thay vì một.

• Tham số — 65B dense, mọi tham số đều active trên mỗi token, so với tổng 1,05T với 52B active và 128 chuyên gia được định tuyến, 4 chuyên gia mỗi token

• Trọng số trên đĩa — 129.6 GB BF16 trải trên 16 phân mảnh so với 1,060.6 GB FP8 trải trên 54 phân mảnh, cùng với một biến thể NVFP4 610.1 GB

• Ngữ cảnh — được công bố lên tới 1M, dù endpoint được host đầu tiên phục vụ 16.384 và một danh sách mới hơn nêu bật 128K so với 1M trên mọi phương diện

• Phương thức — văn bản vào, văn bản ra so với văn bản và hình ảnh vào, văn bản ra

• Giấy phép — Apache 2.0 so với Mistral Ecosystem Open Weight License, loại giấy phép yêu cầu thỏa thuận thương mại để cung cấp mô hình dưới dạng dịch vụ

• Giá khi được host — 0,20 USD / 0,60 USD mỗi triệu token so với 0,70 USD / 2,10 USD, với 0,07 USD cho phần đầu vào được cache

Giấy phép mới là điểm khác biệt rõ rệt hơn, và không hề sát nút.

Apache 2.0 vẫn mang đúng ý nghĩa mà nó luôn có. Bạn có thể lấy Ripple-65B Preview, tinh chỉnh nó, đổi tên nó, phục vụ nó cho khách hàng và không công bố gì cả. Không có ngưỡng doanh thu, không có yêu cầu thông báo, và không có điều khoản nào biến một lớp định tuyến thành bên được cấp phép. Đối với một công ty mà sản phẩm là một mô hình nằm sau một API, đó chính là toàn bộ cuộc chơi — đó là sự khác biệt giữa một mô hình mà bạn có thể xây dựng một doanh nghiệp trên đó và một mô hình mà bạn có thể xây dựng một tính năng trên đó.

Giấy phép của Mistral Large 4.0 thoáng hơn tên gọi của nó gợi ý và kém thoáng hơn Apache. Đây là một giấy phép MIT sửa đổi với một điều kiện bổ sung: nếu bạn cung cấp mô hình cho bên thứ ba dưới dạng dịch vụ, bạn cần một thỏa thuận thương mại. Định nghĩa này loại trừ hai điều quan trọng — nhúng mô hình vào bên trong một sản phẩm dành cho người dùng cuối, và “chỉ chuyển tiếp yêu cầu đến các mô hình được lưu trữ bởi người khác,” tức là việc một gateway làm khi nó chuyển tiếp một yêu cầu đến suy luận của chính Mistral. Đọc kỹ, phần loại trừ đó giữ một router ở đúng phía của ranh giới. Đọc cẩu thả, hoặc chỉ đọc trang tiếp thị ghi “open weight,” và bạn có thể tự thuyết phục mình bước vào một vấn đề tuân thủ.

Vậy cách diễn đạt trung thực không phải là "Apache đối với hạn chế". Mà là "Apache đối với một giấy phép mà bạn nên nhờ luật sư đọc một lần". Nếu kế hoạch của bạn là tự lưu trữ các trọng số và bán quyền truy cập, các điều khoản của Ripple đơn giản hơn hẳn. Nếu kế hoạch của bạn là gọi một endpoint, cả hai giấy phép đều đáp ứng được bạn và sự khác biệt gần như biến mất.

Terminal-Bench là bộ đánh giá chuẩn mà bạn không thể sử dụng ở đây

Cả hai phòng thí nghiệm đều công bố điểm Terminal-Bench, và đó không phải cùng một bài kiểm tra. Ripple báo cáo 80.52 trên Terminal-Bench 2.1 và gọi đó là trình độ tiên tiến nhất của mô hình open-weight Hoa Kỳ. Mistral báo cáo 28.3% trên Terminal-Bench 4.0. Đặt cạnh nhau, hai con số đó trông như một khoảng cách 52 điểm. Chúng không thể so sánh được, và việc coi chúng là có thể so sánh được chính là sai lầm phổ biến nhất trong cách đưa tin về một trong hai mô hình.

Terminal-Bench 4.0 là một bộ nhiệm vụ khó hơn, ra đời muộn hơn, và khoảng cách giữa các phiên bản đủ lớn đến mức một điểm 2.1 tốt và một điểm 4.0 tầm thường có thể mô tả cùng một mô hình. Việc so sánh của chính chúng tôi giữa Ripple với Claude Opus 5.5 chủ yếu nhằm giải thích tại sao cũng không thể trừ 80.5 và 66.4 của Opus. Tuyên bố duy nhất có thể đứng vững ở đây là Ripple chưa công bố con số 4.0 và Mistral chưa công bố con số 2.1, nên trục cụ thể này là trống.

Điều còn trụ lại là DeepSWE 1.1, và ở đó bức tranh thật dễ hiểu. Con số 44.3 của Ripple đến từ model card của chính họ. Con số 61.7 của Mistral đến từ lần chạy của chính Mistral. Cả hai đều không độc lập, nhưng chúng là cùng một phiên bản của cùng một benchmark, điều mà Terminal-Bench không thể mang lại. Khoảng cách 17.4 điểm trong các tác vụ kỹ thuật phần mềm không phải là nhiễu, và nó khớp với phần còn lại của mỗi card: Mistral Large 4.0 cũng báo cáo 87.6 trên GPQA Diamond, 89.4 trên MMLU-Pro và 81.3 trên bộ suy luận ngữ cảnh dài của Artificial Analysis, so với 85.2, 84.2 và 75.0 của Ripple.

Lập luận đối lập của Ripple dựa vào các benchmark mà nó dẫn đầu trong bộ so sánh của chính mình và vào một con số mà Mistral không thể sánh được: 80.52 so với 80.1 của Reflection Beam 501B trên Terminal-Bench 2.1, đến từ một mô hình nhỏ hơn mười lăm lần. Đó là một kết quả thực sự về hiệu quả huấn luyện. Đó không phải là kết quả về việc tốt hơn Mistral Large 4.0, và hai tuyên bố này cứ bị gộp lẫn trong các bài đưa tin thứ cấp.

Chi phí trên mỗi token khiến Ripple trông có lợi hơn; chi phí trên mỗi tác vụ mới sát thực tế hơn

Theo giá niêm yết, khoảng cách giá dịch vụ hosted là khoảng 3,5× ở cả hai chiều: 0,20 USD và 0,60 USD mỗi triệu token so với 0,70 USD và 2,10 USD. Với một agent lưu lượng lớn, khoản chênh lệch đó chính là toàn bộ câu chuyện ngân sách, và đó là lý do một mô hình dense 65B vẫn đáng quan tâm ngay cả khi thua trên các benchmark.

Artificial Analysis xếp Mistral Large 4.0 ở Chỉ số Trí tuệ 26 và chi phí $2.06 mỗi tác vụ chỉ số. Ripple-65B Preview hoàn toàn không có mục nào trên chỉ số, nên không có con số tương đương để chia — và bản thân điều đó chính là câu trả lời trung thực cho câu hỏi "mô hình nào rẻ hơn trên mỗi đơn vị năng lực." Một mô hình đã được đo trên bảng trung lập, còn một mô hình thì chưa. Nếu bạn cần một con số để lập kế hoạch ngay hôm nay, chỉ một trong các cột này có dữ liệu.

Bài toán tự vận hành lại một lần nữa thay đổi cục diện. Một mô hình dense 65B ở BF16 vừa khít với tensor-parallel-4 trên bốn card 80GB, và bản hỗ trợ vLLM đã được hợp nhất tính đến ngày 5 tháng 11 nghĩa là giờ nó tải được mà không cần --trust-remote-code. Một mô hình FP8 1,05T cần nhiều phần cứng hơn một bậc và một serving stack hiểu được expert parallelism. Với một nhóm có bốn GPU và yêu cầu tuân thủ, mô hình 65B không phải phương án thỏa hiệp — mà là lựa chọn duy nhất trong danh sách này.

Nơi quyết định định tuyến thực sự được đưa ra

Không mô hình nào trong hai mô hình này nằm trong danh mục của OrcaRouter. Trong đó hoàn toàn không có mô hình Mistral nào, và Ripple-65B Preview cũng không có — vậy nên bất kỳ bài viết nào bảo bạn có thể truy cập cả hai chỉ bằng một khóa, kể cả bài này, đều là bịa đặt. Điều đúng đắn thì hẹp hơn: những mô hình trọng số mở mà chúng tôi định tuyến chính là những mô hình mà một người mua nhạy cảm về chi phí thường đem so sánh với hai mô hình kia. Kimi K3.1 Pro có ngữ cảnh 1M và đầu ra tối đa 943K với mức giá 2,00 đô la và 10,00 đô la mỗi triệu token. DeepSeek V4 Pro có ngữ cảnh 1M và đầu ra 384K với mức giá 0,66 đô la và 1,98 đô la. Cả hai đều truy cập được qua một điểm cuối tương thích OpenAI duy nhất với cơ chế chuyển đổi dự phòng tự động, và giá niêm yết của nhà cung cấp được chuyển nguyên không cộng thêm, nên khi nhà cung cấp thay đổi giá thì bên chúng tôi cập nhật ngay trong cùng ngày.

Điều đó có ý nghĩa với phép so sánh này theo một cách cụ thể. Mistral Large 4.0 ra mắt ở mức $1,36 và $4,18, còn mức $0,70 và $2,10 mà tài liệu của Mistral hiển thị hôm nay là mức giá ưu đãi sau đó. Một mức giá thay đổi một nửa chỉ trong vòng một tháng là mức giá đáng để kiểm tra chứ không phải để ghi nhớ — và đó là kiểu biến động mà một cổng chuyển tiếp phản ánh mà bạn không cần thay đổi bất cứ điều gì.

Ai nên chọn cái nào

Chọn Ripple-65B Preview nếu bạn muốn sở hữu trọng số hoàn toàn theo các điều khoản mà bạn không phải tự diễn giải, nếu khối lượng công việc của bạn là lập trình tác tử kiểu terminal thay vì kỹ thuật phần mềm tổng quát, và nếu 65B phù hợp với phần cứng của bạn. Hãy chấp nhận rằng bạn đang tin vào một thẻ thông số của nhà cung cấp mà chưa có phòng thí nghiệm độc lập nào tái lập được, rằng con số ngữ cảnh phụ thuộc hoàn toàn vào cách bạn phục vụ nó, và rằng 44.3 trên DeepSWE là con số cần vượt qua trước khi bạn thay thế thứ bạn đang chạy hiện nay.

Chọn Mistral Large 4.0 nếu bạn cần cả hình ảnh lẫn văn bản, nếu ngữ cảnh 1M với quy trình phục vụ đã được ghi nhận quan trọng hơn sự đơn giản về giấy phép, và nếu chỉ số Intelligence Index đo được là 26 với chi phí $2.06 mỗi tác vụ là kiểu con số mà quy trình mua sắm của bạn chấp nhận. Hãy chấp nhận rằng giấy phép cần một lần đọc kỹ pháp lý, rằng 1,060.6 GB trọng số là một đẳng cấp cam kết hạ tầng khác, và rằng Terminal-Bench 4.0 ở mức 28.3% là điểm số mà đánh giá của chính bạn nhiều khả năng sẽ tái tạo được.

Điều duy nhất tôi sẽ không làm là chọn giữa hai mô hình dựa trên các benchmark hàng đầu. Hai lab, hai phiên bản benchmark, hai lượt chạy DeepSWE tự báo cáo — phép so sánh quyết định việc này là phép so sánh bạn tự chạy trên kho mã của chính mình, và cả hai mô hình đều đủ mở để điều đó trở nên khả thi mà không cần xin phép bất kỳ ai.