Ripple 65B Preview 对比 Muse Wonder：20 倍的价格究竟买到了什么

有且仅有一个基准测试是 Ripple 65B Preview 和 Muse Wonder 都发布过的，且版本相同，数字可以直接放在同一句话里比较：DeepSWE 1.1。Meta 的 Muse Wonder 报告为 78.8。Ricursive 的 Ripple 65B Preview 报告为 44.3。在软件工程智能体工作上，这是 34.5 分的差距，而且这是这两次发布唯一可比的干净对照——其余要么是不同版本的基准测试，要么是标着破折号的空列。

所以问题不在于 Muse Wonder 在那项任务上是否更好。按照实验室自己给出的数字，它显然更好。问题在于，它好得是否足够多，足以证明在输入上花费约为二十倍、在输出上花费约为三十三倍是合理的。这是一个有真实答案的真实决策，而且对于每种工作负载，答案并不相同。

为什么 DeepSWE 1.1 是一场公平的较量

两家实验室运行的都是同一项评测的 1.1 版本。双方都未公布由第三方进行的重跑结果，因此两个数字带有相同的保留条件——它们均由厂商自行报告，且未经复现——而正是这种对等性使这一比较具有可用性。当两项声明出于同等程度的自身利益时，它们之间的差距仍然具有参考价值。

相比之下，在 Terminal-Bench 上，这两家实验室参加的压根不是同一场考试。Ripple 报告称在 Terminal-Bench 2.1 上得 80.5 分。Meta 报告称 Muse Wonder Full 在 Terminal-Bench 4.0 上得 57.1 分，而后者是更晚、更难的版本。任何把这两项成绩并列起来、宣称 Ripple 获胜的人，都是在拿一个参加 2024 年试卷的模型，和一个参加 2026 年试卷的模型作比较。Meta 自己的表述在此很谨慎，而 Ricursive 的发布帖则并非如此。

关于 Meta 这边再提醒一句：该公司的 JobBench 表格声称，Muse Wonder Full 达到 75.3，而标准版 Muse Wonder 为 30.8，两者相差 44 分，但没有任何独立评估者复现过这一结果。在外部人士实际运行这些基准之前，请把任何实验室的内部基准表都视为营销宣传。

实际的价格差异到底是什么

Muse Wonder 的定价为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元，缓存输入为 0.20 美元。Ripple 65B Preview 在其首个托管端点上的标价为 0.20 美元和 0.60 美元——这个数字不宜看得太死，因为 Ricursive 尚未公布价目表，而且该端点提供 16,384 token 的上下文，而宣传窗口为 1M。即便按标价表面值计算，比例在输入上也是 20 倍，在输出上是 33 倍。

按 token 计算的比率会让小模型显得更划算，却会让人对真实账单产生误解，所以这里来算一算你可能实际会跑的一种工作负载。假设你的编码智能体每月输出 5000 万个 token，并为此读取 2 亿个输入 token。

• 在 Muse Wonder 上：200 × $4.00 = $800 输入，加上 50 × $20.00 = $1,000 输出。每月总计 $1,800。

• 在所列费率下使用 Ripple 65B Preview：200 × $0.20 = $40 输入，加上 50 × $0.60 = $30 输出。总计每月 $70。

• 差别在于：同样的名义 token 数量，每月相差 1,730 美元，约合每年 20,760 美元。

现在说说电子表格遗漏的部分。如果 Ripple 每三次任务就有一次失败，而你重试一次，你的有效产出量会提高一半。重试两次，你就把它翻倍了。盈亏平衡点并不难算——Ripple 每个 token 的效率可以低三十三倍，成本却仍然更低——但失败模式比账单更糟。一个三分之一任务都失败的编码智能体，代价不只是更高；它还会让你付出那位必须发现问题、回滚并重新运行工作的工程师的代价。把监督成本也算进去，而不只是 token。

Artificial Analysis 在其实时模型页面上将 Muse Wonder（Max）列为每个索引任务 6.95 美元——这比按每百万 token 计价更诚实，而 Ripple 没有对应的单位，因为还没有人让它跑过一套标准任务集。

除了权重之外，Meta 还在为什么收费

Muse Wonder 是一款闭源模型，输入范围异常广泛：输入文本、图像、视频、音频和 PDF，输出文本；上下文长度达 1,048,576 个 token，输出上限为 131,072 个 token。它始终开启推理，并提供六档可选的推理强度，支持并行工具调用和结构化输出，还提供两项在 Ripple 的卡片上完全没有对应项的功能——Active Memory 可跨对话携带上下文，Active Focus 则旨在让长任务保持连贯、不跑偏。

你是否在意，完全取决于你的工作负载形态。如果你的智能体必须读取失败测试的截图、转写客户通话，并在同一次处理中将其与 PDF 发票进行核对，那么 Ripple 的任何基准测试分数都帮不了你，因为 Ripple 65B Preview 只接收文本并返回文本。模态差距并不是靠更好的提示词就能弥合的性能差异。

Muse Wonder (Max) 在 Artificial Analysis 的 Intelligence Index 上得分为 44——在其所属类别的 66 个模型中排名第 26，高于同类模型 36 的中位数，但已不再是发布周报道中那个接近前沿水平的 52 分。该指数于十月下旬重建，若干模型的排名随之变动。Ripple 65B Preview 则完全没有出现在该指数上。

Apache 2.0 的价值何在

Ripple 65B Preview 是采用 Apache 2.0 许可的 650 亿稠密参数模型，完整权重以 BF16 以及 NVFP4 和基础模型变体形式发布在 Hugging Face 上。在 BF16 下，该检查点约为 130 GB，这属于 DGX Spark 的范畴，或者是在较小机器上进行量化运行的范畴——尽管发布报道那样说，但它并不是 MacBook 能跑得动的，除非你运行的是 NVFP4 构建。Ricursive 声称，在批大小为 8 的两块 B200 上，在未使用任何自定义内核之前可达每秒 250 个 token，并且在纯分片下进行预训练时 MFU 约为 40%。

这带给你的是托管式闭源模型无法提供的一切：能够用自己的数据做微调，能够在没有按 token 计费、数据不离开你的网络的情况下运行推理，能够永久锁定某个版本，还能在凌晨三点提供服务而不依赖别人的状态页面。对于受监管的工作负载，这份清单的价值往往超过 34 个 DeepSWE 点。对于本季度要交付一个智能体的初创公司来说，通常则并非如此。

还有一种许可不对称值得点明。Apache 2.0 几乎已是开放权重所能达到的最宽松水平。Muse Wonder 则是完全闭源——该系列中 Meta 的开放权重同类产品是 Muse Spark Open，这是一个不同且大得多的 816B 模型，拥有 42B 激活参数和 256 个专家，而不是 Wonder 的较小版本。如果开放权重是硬性要求而非偏好，那么这项比较到此为止。

将两者并排运行

这两款模型目前都不在我们的目录中，也不会被暗示已收录。Muse Wonder 通过 Meta 自己的 API 触达开发者；Ripple 通过 Ricursive 的端点及第三方平台，权重放在 Hugging Face 上。在这种情况下，路由器真正有用的地方，正是这两次发布都清楚表明的一点：你不会希望把一条生产路径接到一个才发布一天、其自身模型卡都写明分数难以复现的 Preview 上。你应该把那个模型放在回退之后，让它承担一部分流量，并随着证据积累逐步调高——在出错或超时时自动故障转移到已知可靠的模型，而不是等实验令人失望后再重写。

这种模式也正是你用实证方式回答定价问题的方法。把 10% 的编程流量分流到 Ripple，让 90% 继续留在 Muse Wonder，然后比较的不是 token 账单，而是完成任务的成本——包括重试和人工时间。一个 API 密钥，一条计费线，以及一个你能在规划会上站得住脚的数字，这比任何基准测试表能给你的都多。

二十倍该由谁来付？

如果你的工作涉及多模态、长时程或面向客户的场景，就值得为 Muse Wonder 付费：读取截图的智能体、需要跨会话记住用户的助手，以及任何 27% 的幻觉率已经过高、而你需要前沿实验室通过后训练所带来的可靠性的场景。对于一款能真正完成任务的模型来说，每个索引任务 6.95 美元是合理的价格。

如果工作是纯文本、范围有限且高吞吐量，并且你有硬件或廉价端点，就运行 Ripple 65B Preview：批量分类、按固定评分标准进行代码审查、本地助手、微调基础模型。在 $0.20 和 $0.60 的价位上，它的输出成本便宜三十三倍；而在能发挥其优势的工作负载上，这一比率胜过在某一基准上 34.5 分的劣势。

错误在于把 DeepSWE 的差距当成定论。那只是一场考试，只考了一次，还是由出题的实验室自己报告的。真正该替你做出决定的数字，不是 78.8 对 44.3——而是你自己的任务集在把两者都跑一遍时会是什么结果，而这个数字在你亲手生成它之前并不存在。