一句话总结
Ricursive Intelligence 于 2026 年 11 月 6 日发布 Ripple-65B Preview：65B 参数的稠密 Transformer，预训练用了 12 万亿 token，支持最长 100 万 token 上下文，TerminalBench 2.1 得分 80.52，官方称其为美国开放权重模型在该基准上的最好成绩；从零开始的全部研发成本为 3200 万美元。
事件概述
2026 年 11 月 6 日，Ricursive Intelligence 在官方站点发布 Ripple-65B Preview。这家公司的主业是芯片设计 AI，官方称其为了让芯片设计平台具备自主编码能力，从零训练了一个语言模型，并把通用版本对外开放。
官方给这一定位的关键词是「美国开放权重 SOTA（state of the art，最佳水平）」：Ripple-65B Preview 在 TerminalBench 2.1 上得到 80.52 分，高于规模更大的 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）与 NVIDIA Nemotron 3 Ultra 550B（56.4）。
模型已上线 Hugging Face、Together AI、GMI Cloud、OpenRouter 与 Fireworks 五个渠道，可本地部署在 NVIDIA DGX Spark 这类设备上。
关键信息
| 项目 | 官方公布内容 |
|---|---|
| 发布时间 | 2026 年 11 月 6 日 |
| 参数规模 | 650 亿参数（65B），稠密（dense）Transformer，非 MoE |
| 预训练数据 | 12 万亿 token |
| 上下文长度 | 最长 1,000,000 token |
| TerminalBench 2.1 | 80.52 分 |
| 对比成绩 | Reflection Beam 501B 为 80.1、Meta Muse Spark Open 816B 为 76.4、Inkling 975B 为 63.8、Nemotron 3 Ultra 550B 为 56.4 |
| 研发成本 | 3,200 万美元，含预训练阶梯、数据配比、合成数据、后训练与最终正式训练 |
| 强化学习规模 | 140 万次 rollout，官方称为 Reflection Beam 的约 1/70 |
| 可用渠道 | Hugging Face、Together AI、GMI Cloud、OpenRouter、Fireworks |
架构与训练
Ripple-65B 选择的是稠密架构而不是混合专家（MoE）。官方给出的理由是降低预训练与后训练的基础设施复杂度：训练全程维持 40% 的模型浮点利用率（MFU），且没有使用自定义算子，也没有做量化。
具体配置方面，官方披露了「窄而深」的比例：d_model 为 5120，共 80 层；为提升推理表现，增加了注意力头数量，同时提高滑动窗口注意力（SWA）与全局层的比例，并缩小 SWA 窗口以抵消成本。此外还加入了 FFN 激活裁剪、门控注意力、全局 NoPE 与 value residuals 四项设计。
预训练配方的改进来自一系列模型阶梯实验。官方称起点是 Allen Institute for AI 的 Olmo 3 阶梯，逐版加入 StepFun 的批大小与学习率缩放律、平滑的维度与深度缩放、pre+post norm、sigmoid 门控注意力、global NoPE 与 value residuals，并最终换成大幅上调代码比例的预训练数据集。累计效果是：在 4B 规模上，达到同等代码表现所需的算力最多降到原来的 1/16（以 dolma_stack 的交叉熵衡量）。
后训练方面，官方明确没有采购任何后训练数据，而是自建合成数据管线、质量过滤与覆盖度指标。强化学习配方包含截断重要性采样（truncated importance sampling）、分数中心化（score centering）与线性长度惩罚，并用长周期合成环境逐步加难。官方称从初始 SFT checkpoint 到 TerminalBench 2.1 的 80.5 分只用了 140 万次 rollout。
成本与对比
3200 万美元是这次发布最受关注的数据。官方定义的口径是「从零开始的全部研发成本」，包括预训练阶梯开发、数据配比、评测、调试、合成数据生成、后训练配方开发，以及最终的正式预训练与后训练。官方同时称，这一数字约为「上一个开放权重编码 SOTA」成本的十分之一，并在脚注中引用了 Reflection 在 SpaceX Colossus 上训练其模型的公开报道。
需要注意口径差异：Reflection Beam 501B 的 80.1 分与 Meta Muse Spark Open 816B 的 76.4 分均引自 Ricursive 官方对比表，属于同一厂商整理的横评，第三方独立复现结果尚未公开。TerminalBench 2.1 是公开基准，但各模型的评测配置、工具权限与提示词设置未必完全一致，跨厂商分数不宜直接等同于能力排序。
从参数效率看，65B 稠密模型的成绩超过 501B 与 816B 的开放权重模型，是官方最想强调的结论。其解释有两点：一是架构与训练配方针对编码任务做了针对性优化；二是强化学习只用了约 1/70 的 rollout 就达到目标分数，说明数据与任务设计比单纯堆算力更关键。
影响与边界
对使用方而言，最直接的变化是部署门槛。65B 稠密模型可以在单机或小规模集群上运行，官方点名 NVIDIA DGX Spark 这类低显存带宽设备也能高效推理，这与 500B 以上模型需要多卡集群的现实形成对比。
对开放权重生态而言，这次发布补上了一个「中等参数、编码专精」的位置。当前开放权重榜单的高分段多由 400B 以上的 MoE 模型占据，65B 稠密模型进入同一分数区间，会给需要在本地或私有环境跑编码智能体的团队提供替代选项。
需要区分事实与判断：80.52 分、3200 万美元、140 万次 rollout 均来自 Ricursive 官方博客，属厂商自报口径；「美国开放权重 SOTA」是官方基于 TerminalBench 2.1 单榜的说法，并非所有基准上的综合排名。官方也未公布模型在长上下文检索、多语言与安全评测上的完整数据。
官方来源
- Ricursive Intelligence：Introducing Ripple-65B Preview, a Frontier Open-Weight Model（2026 年 11 月 6 日）