Ripple-65B Preview 對比 Ripple-65B：為何第二個名稱背後沒有對應的模型

搜尋Ripple-65B Preview，你會找到一個有文件記載的模型：來自 Ricursive Intelligence 的 65B 稠密 Apache 2.0 檢查點，建立於 2026 年 11 月 4 日，附有模型卡、四個儲存庫，以及廠商報告在 Terminal-Bench 2.1 上達到 80.52。搜尋 Ripple-65B——同樣的名稱去掉後綴——你會一次又一次找到那個模型，只是檔名不同。並沒有獨立的最終版本。Hugging Face 組織列出四個公開儲存庫——Ripple-65B-Preview、Ripple-65B-Preview-NVFP4、Ripple-65B-Base-Preview 和 Ripple-65B-Preview-DFlash2——而它們之中沒有一個省略「Preview」這個詞。

這讓它成為一個不尋常的比較頁面，而誠實的寫法就是一開始就說明這一點。Ripple-65B 並不是 Ripple-65B Preview 的競爭對手。它是一個大家正在搜尋的名字，一個尚未發生之發布的佔位符，而且——最有用的是——一個契機，用來回答那些搜尋真正在問的問題：你拿到的是完成版的模型，還是實驗室告訴你後訓練不足的快照？

「Preview」在這張特定卡片上是什麼意思？

這裡的後綴並非裝飾，而 Ricursive 對此說得異常明確。模型卡將這次發布描述為後訓練相對輕量：在 8K 序列長度下進行 12 兆 token 的預訓練之後，又投入 2,000 億中期訓練 token、1,830 億監督式微調 token、135 億長上下文 SFT token，以及 700 步強化學習。所有內容都是從零開始訓練，而該公司的說法是，後訓練預算相對於預訓練是刻意偏小的。

這種組合——巨大的基礎模型、薄弱的對齊——正是造就出一個在 Terminal-Bench 2.1 上得分 80.52，卻在 DeepSWE 1.1 上僅有 44.3、在 SciCode 上僅有 39.4 的檢查點的原因。代理式終端機效能是實打實的成果。軟體工程的廣度，看起來正是更長時間的後訓練會最先觸及的部分。按照這種解讀，最終的 Ripple-65B 在 Preview 最弱的那些軸線上，會是更好的模型。

Ricursive 尚未承諾任何一項。沒有路線圖，發布貼文中沒有「第四季最終版」這類字句，也沒有標明日期的後繼儲存庫。ArtificialWatch 在追蹤這次發布時指出，「尚未掛上 Preview 標籤的 GA 仍在前方」——這是對一個自當時起未曾改變的狀態的精確總結。

這四個儲存庫，以及每一個實際上是用來做什麼的

命名上的混亂會先惡化再改善，因為這四個 repo 裡有兩個聽起來像是最終模型，但其實兩個都不是。

• Ripple-65B-Preview — 主要的指令微調檢查點。BF16，64,782,689,360 個參數，16 個分片共 129.6 GB，Apache 2.0，無需申請即可取用。所有基準測試數字指的都是這一個。

• Ripple-65B-Preview-NVFP4 — 同一個 instruct 模型，以 ModelOpt 量化，儲存參數為 39,616,865,360 個，標記為 8 位元。這不是另一個模型；而是相同權重的更小容器。

• Ripple-65B-Base-Preview — 建立於 2026 年 10 月 14 日，比 instruct 版本發布早三週。這是預訓練基礎模型，單獨評估：MMLU 83.7、MMLU-Pro 61.5、GPQA Diamond 38.4、HumanEval 70.9、MBPP Sanitized 81.5。這些數字擺在 instruct 卡片的 89.6 和 85.2 旁邊看起來很嚇人，直到你想起它們是基礎模型的分數——尚未經過 SFT、尚未經過 RL，以續寫風格作答。如果你打算自己做後訓練，它是正確的起點；如果你想要一個助理，它就是錯誤的起點。

• Ripple-65B-Preview-DFlash2 — 4.04B 參數，一個推測解碼的草稿模型。它負責提出候選 token 供 65B 模型驗證，本身無法生成任何內容；其模型卡直言它「需要目標模型來生成文字」。

四個儲存庫、一個模型，其中三個是某個檢查點的變體，另一個是某個元件。沒有人發表過第五個。

如果最終的 Ripple-65B 真的出貨了，會有什麼改變？

這是比較中具建設性的部分，值得具體說明，而不是空泛地指向「更好的後訓練」。

• 這個背景故事大概會有個定論。Preview 宣稱最高可達 1M，並在其長上下文階段以 2M token 序列訓練，而商業列表則曾提供 16,384，近期更主打 128K。最終發布正是實驗室說明模型實際驗證範圍、而非架構支援範圍的適當時機。

• 值得關注的數字會是 DeepSWE 和 SciCode。Preview 在這些項目上落後於它在其他方面能擊敗的模型，而這兩個基準也最能直接反映在真實儲存庫上投入更多 RL 與更多 SFT 的成效。

• 屆時很可能已經有獨立評分。Artificial Analysis 目前對任何 Ripple slug 都沒有條目，這表示目前流傳的每個數字都是廠商自行回報的。GA 發布通常是聚合器開始收錄某個模型的時點。

• 授權條款大概會維持 Apache 2.0。這次發布沒有任何跡象顯示 Ricursive 打算收回這項決定，而這是這次發布最具價值的單一資產。

那些都沒有被公告。這是從卡片中關於其自身後訓練預算的說法推斷出來的，也應如此解讀。

命名陷阱，以及它為何在實務上重要

如果你要把這個模型接進設定檔，這個區別就不再只是學術問題。真正能解析的識別碼是 ricursiveAI/Ripple-65B-Preview。請求 ricursiveAI/Ripple-65B 會一無所獲，因為根本不存在這個名稱——而一條會默默退回模糊比對的管線，要嘛會失敗，要嘛更糟：在你期待 instruct 版本的地方，悄悄提供了一個 base checkpoint。

反向的情況也同樣存在於基礎模型上。{{1}}Ripple-65B-Base-Preview{{/1}} 是一個擁有真實權重的真實儲存庫，而且它與 instruct 版本確實是不同的產物：分數不同、行為不同、用途也不同。任何在網路上比較「Ripple-65B」分數的人，幾乎可以肯定都是把 instruct 卡片的 89.6 MMLU 與基礎卡片的 83.7 混在一起，卻沒注意到它們來自兩個不同的儲存庫。

以下有三條實用規則。要固定確切的 repo id 和修訂版雜湊，而不是只寫系列名稱。不要假設託管端點和 BF16 下載是同一項產品——託管的那個可能是 NVFP4、可能是不同的修訂版，而且幾乎肯定會有不同的上下文長度限制。如果某個工具或排行榜只列出「Ripple-65B」而沒有後綴，在引用那個數字之前，先去查清楚它指的是哪個儲存庫。

你今天可以使用 Preview 做哪些事

其實還不少，而且比一週前更多。權重沒有存取限制，採用 Apache 2.0，因此沒有審核步驟。截至 11 月 5 日，vLLM 已合併原生支援——內建的 RicursiveConfig、推理與工具呼叫解析器，以及在單張 B300 上預設使用 NVFP4 的配方——這表示在大多數團隊已在使用的引擎中，檢查點無需 --trust-remote-code 即可載入。一個平行的 SGLang pull request 仍處於開啟狀態，因此 vLLM 目前是唯一將此視為受支援架構、而非外部腳本的主流引擎。

在商業層面，該模型以每百萬輸入 token 約 0.20 美元、每百萬輸出 token 約 0.60 美元的價格提供服務，而快取輸入的計費僅為此的一小部分。這些費率描述的是 Preview，因為它是目前唯一可供提供的版本。

OrcaRouter 並未提供它。這一點值得直說，因為比較頁面若在結尾暗示可透過我們觸及兩邊，就會造成誤導——只有一邊，而我們不託管它。我們所路由的是周邊範圍：Kimi K3.1 Pro 每百萬 token 2.00 與 10.00 美元，具 1M 上下文，DeepSeek V4 Pro 每百萬 token 0.66 與 1.98 美元，具 1M 上下文與 384K 輸出，Qwen3.8 Max 則為 2.00 與 6.00 美元。如果你之所以閱讀關於 65B 開放權重程式碼模型的內容，是因為想要一個免採購流程的便宜代理式模型，那麼這些就是與其他所有模型共用同一把金鑰的選擇，並具容錯移轉與直通定價。Ripple 則是你自行託管或另行購買的那一個。

簡短的回答

如果有人問你 Ripple-65B Preview 和 Ripple-65B 的差別，準確的回答是：後者目前還不存在。Preview 就是那個模型：65B 稠密模型、Apache 2.0、12 兆個預訓練 token、經過輕度後訓練、依其自身測量在 Terminal-Bench 2.1 上為 80.52、未獲任何獨立評測榜單排名，而且其提供的上下文視窗取決於由誰提供服務。

正式版會補上的，是一個已定案的上下文長度數字、在 Preview 最弱的軟體工程基準測試上更漂亮的成績，而且很可能還有這個模型首次獲得的外部驗證。在 Ricursive 正式推出它之前，你讀到的每一項「Ripple-65B」比較——包括任何聲稱是拿它與 Preview 相比的比較——都只是在拿一個模型和一個搜尋詞相比。