Ripple推出65B开放权重编程模型

Ripple-65B Preview 的看点，是一家此前专注 AI 芯片设计的实验室，拿出了一款面向通用任务的开放权重模型，并宣称它的智能体编程表现超过部分体量更大的对手。模型采用稠密架构，在 12T Token 上预训练，支持 1M 上下文。

对程序员来说，值得关注的是它能否完成实际开发任务。不过，这则报道给出了厂商主张和部分规格，没有提供具体分数、测试配置或使用入口。它足以进入关注名单，还不足以成为更换日常编程模型的依据。

它比大模型强，具体强在哪里

据 IT之家 11 月 6 日报道，由前谷歌研究员创立的 Ricursive Intelligence，于当地时间本月 4 日发布 Ripple-65B Preview，宣称其拥有美国开放权重模型中最出色的智能体编程表现。

这个结论有两个限定：美国、开放权重模型。不能把它扩展成所有模型中的编程第一。

报道给出的主要依据是 TerminalBench 2.1：Ripple-65B Preview 的表现优于 Meta Muse Spark Open 816B、NVIDIA Nemotron 3 Ultra 550B 等规模明显更大的竞争者。

智能体编程关注的是模型围绕任务连续采取行动、推动工作完成的能力，不能直接等同于补全代码或回答技术问题。但原文没有列出具体任务、成绩和执行过程，因此无法判断优势有多大，也无法确认它在哪类开发工作上更强。

参数规模更大，不保证在某项任务基准上表现更好。

这条消息支持关注较小模型的可能性，却没有给出足够证据，让我们判断 Ripple-65B Preview 的优势能否迁移到真实仓库。

12T Token 和 1M 上下文，能告诉我们多少

Ripple-65B Preview 是一款稠密模型，在 12T Token 上完成预训练，支持 1M 上下文长度。

稠密模型可以简单理解为：推理时通常会使用整套模型参数。12T Token 描述训练所用的数据量，1M 描述上下文容量，两者都不能直接当作代码质量的分数。

对处理大型仓库的程序员而言，更长的上下文提供了容纳更多文件、日志和需求的空间。但「装得下」和「找得准、改得对」是两回事。原文没有展示长上下文编程测试，也没有交代达到 1M 时的速度、资源需求和效果。

Ricursive Intelligence 还称，模型从头开发和训练的成本为 3,200 万美元，报道折合约 2.14 亿元人民币。这是开发与训练投入，不能据此推算个人部署成本或团队调用价格。

另一个线索是模型来源：该实验室此前专注 AI 驱动的芯片设计平台，而 Ripple-65B Preview 是其专用模型的通用变体。这个出身值得关注，但报道没有证明芯片设计经验与编程成绩之间存在怎样的关系。

我的判断

我认可这条消息提出的方向：评估编程模型，应当看它能否完成任务，而不能只按参数量排序。

但「美国最佳」目前仍应按厂商宣称理解。报道没有提供 TerminalBench 2.1 的具体分数、运行条件、智能体配置和重复测试结果，也没有独立复测。它不是一份可以直接复现的评测报告。

同样，开放权重也不等于部署门槛已经清楚。原文没有说明许可证、硬件要求和推理服务。相比团队已经在用的编程助手，Ripple-65B Preview 目前最缺的是可比较的实际使用证据。仅凭这则报道，无法判断切换是否划算。

能拿来做什么

• 把 Ripple-65B Preview 放入候选模型清单，等权重、许可证和部署说明明确后，再判断团队是否具备试用条件。
• 如果能够试用，就用同一批前端或 Node 仓库任务与现有助手比较，例如修复已有缺陷、修改跨文件逻辑，并检查测试结果和最终差异。
• 如果看中 1M 上下文，就单独验证模型能否从大量文件中找到相关代码，记录耗时和资源消耗，不要把上下文长度直接当成处理大型项目的能力。