Ricursive AI 发布 Ripple-65B Preview：65B 稠密开放权重模型，Terminal-Bench 2.1 自报 80.5 分

核心事实

据 MarkTechPost 报道，Ricursive AI 发布了 Ripple-65B Preview，这是一款 65B 稠密（dense）开放权重模型，从零预训练，面向智能体编程（agentic coding），是 Ricursive 芯片设计平台所用专有模型的通用版本。发布包含三个检查点：指令微调 BF16 模型、NVFP4 版本和 BF16 基础模型，均以 Apache 2.0 许可发布，权重已上传至 Hugging Face。

据 Ricursive 自报数据，该模型在 Terminal-Bench 2.1 上得分 80.5，为其所称美国开放权重模型中的最高自报成绩；SWE-bench Pro v2.0 Hard 为 79.1，SWE-bench Verified 为 76.5，AIME 2025 为 98.3。预训练使用 12T tokens，上下文最长 1M，官方称完整研发成本约 3200 万美元。

背景与影响

Ricursive 选择稠密 Transformer 而非混合专家（MoE）架构，以降低基础设施复杂度；模型为 80 层、d_model 5120 的「窄而深」设计，训练中保持 40% MFU，未使用自定义 kernel 与量化。官方称在 4B 规模上观察到 16 倍代码计算效率提升。对比表中，其 Terminal-Bench 2.1 成绩高于 Beam（80.1）、Muse Spark Open（76.4）等参数量 501B 至 975B 的 MoE 竞品。不过 Ricursive 自己的表格显示，该模型在 SciCode 上仅 39.4，为表中五个模型最低，DeepSWE 1.1 为 44.3，知识与科学编程类任务落后于更大的 MoE 模型。

限制与来源

上述基准成绩均为厂商自报，尚未获独立第三方确认；竞品分数来自各厂商自身来源，测试口径不完全一致。官方称在 2x B200 上以 batch 8 达到 250 tok/s，NVFP4 版本面向 NVIDIA DGX Spark 级本地设备，但此类性能与硬件适配情况需以实测为准。上线渠道方面，Ricursive 列出 Together AI、GMI Cloud 与 OpenRouter，Fireworks 稍后加入；报道提到 Together AI 页面当时标注为「即将推出」。价格、地区可用性与具体功能以各平台官网当前信息为准。