Ripple 开放 65B 权重，主攻智能体编程

Ripple-65B Preview 的看点，是一家 AI 芯片设计公司训练了一个采用 Apache 2.0 许可的开放模型，并宣称它在终端编程评测中拿到了美国开放模型里的最好成绩。它选择了 650 亿参数的稠密架构，而非更常见的 MoE 路线。

对程序员来说，值得看的是：这个成绩如何测出来，开放许可能带来什么，以及「更容易自行部署」离实际可用还有多少信息缺口。原文很短，亮点明确，验证材料也有限。

80.52 分，应该算模型还是整套 Agent 的成绩？

Ricursive Intelligence 公布，Ripple-65B Preview 在 TerminalBench 2.1 编程基准上取得 80.52 分，并称这是美国开放模型中的最佳结果。这里的范围不能丢：它不是所有开放模型中的第一，也不是所有编程模型中的第一。

这个成绩还涉及运行模型的框架，也就是 harness。可以把它理解成模型外面的执行层，负责把模型接到工具和任务环境里。原文提到，Ripple 的测试部分使用 Terminus 2，部分使用 OpenCode。

因此，读这个分数时，要把模型和运行框架一起看。 原文没有交代两种框架分别用于哪些测试，也没有提供统一框架下的对照结果，我们无法仅凭 80.52 分判断模型自身贡献了多少。

其他基准又给出了不同信号：原文称，Ripple 不及同样新发布的 Inkling 2 Small，但没有列出具体项目和分数。它可以在终端编程上表现突出，同时在其他评测里落后，两者并不矛盾。

650 亿稠密参数，为什么仍然值得关注？

Ripple-65B Preview 使用稠密 Transformer，参数量为 65 billion，也就是 650 亿；预训练使用了 12 trillion tokens，也就是 12 万亿个 token。

它没有采用混合专家架构（Mixture of Experts，MoE）。简单理解，稠密模型通常在每次计算时使用全部参数，MoE 则选择部分专家参与计算。架构不同，会影响部署和运行方式，但不能只看参数总量就判断谁更省资源。

原文称，Ripple 针对 Nvidia 硬件做了优化，并推测它可能比 Inkling 2 Small 更容易部署到用户自己的硬件上。不过，原文没有给出显存需求、量化方案、推理速度或并发数据。「可能更容易部署」还不能直接变成采购和选型结论。

更确定的信息是发布方式：模型已在 Hugging Face 提供，采用 Apache 2.0 许可。这给自行部署和二次开发提供了许可基础，但原文没有说明训练数据、训练代码是否开放。

费用也需要准确理解。Ricursive 称，总开发和训练成本仅为 $32 million，即 3200 万美元，覆盖全部研发支出。这个口径比单次训练费用更宽，不能拿它与其他模型某一次训练的算力账单直接比较。

我的判断

我认为，这个模型值得进入编程 Agent 的候选名单：开放许可、明确的参数规模，以及一个较强的终端编程成绩，都是有用的选型信息。

但它还不足以支撑「直接替换现有模型」的判断。80.52 分和成本数字来自公司披露；原文没有提供独立复测，也没有统一 harness 的比较。「更容易自行部署」则是报道中的推测，缺少硬件实测支撑。

与 Inkling 2 Small 相比，原文呈现的是取舍：Ripple 在其他基准上落后，但可能有部署方面的便利。这个便利究竟多大，文章没说清。对国内团队来说，「美国开放模型最佳」也只是排名范围，最终仍要看自己的仓库、工具链和硬件条件。

能拿来做什么

• 如果正在为日常 AI 编程选择开放模型，可以把 Ripple-65B Preview 加入候选，用真实仓库中的修复、改代码和运行命令任务验证效果。
• 比较不同模型时，应尽量统一运行框架和工具权限，并记录使用的是 Terminus 2、OpenCode 还是其他框架，避免把执行环境的差异全算到模型头上。
• 如果准备自行部署，应先补齐显存占用、推理速度和并发能力的数据。原文的 650 亿参数和 Nvidia 优化信息，可以帮助确定验证方向，还不能替代容量评估。