要点
Ricursive Intelligence は 2026 年 11 月 6 日、Ripple-65B Preview を公開した。65B の稠密 Transformer を 12 兆トークンで事前学習し、最大 100 万トークンのコンテキストに対応する。TerminalBench 2.1 は 80.52 で、米国のオープンウェイトモデルとして同ベンチマーク最高だと同社は主張する。ゼロからの研究開発費は 3,200 万ドル。
出来事の概要
2026 年 11 月 6 日、Ricursive Intelligence は公式サイトで Ripple-65B Preview を発表した。同社はチップ設計向け AI を手がけており、設計プラットフォームに自律的なコーディング能力を持たせるため言語モデルをゼロから訓練し、その汎用版を公開したと説明している。
最大の主張は「米国オープンウェイトの SOTA（state of the art）」だ。Ripple-65B Preview は TerminalBench 2.1 で 80.52 を記録し、より大規模な Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）、NVIDIA Nemotron 3 Ultra 550B（56.4）を上回った。
モデルは Hugging Face、Together AI、GMI Cloud、OpenRouter、Fireworks で提供され、NVIDIA DGX Spark のようなローカル機器でも効率よく動作するとしている。
主要な情報
| 項目 | Ricursive の公表内容 |
|---|---|
| 公開日 | 2026 年 11 月 6 日 |
| パラメータ数 | 650 億（65B）。MoE ではなく稠密 Transformer |
| 事前学習データ | 12 兆トークン |
| コンテキスト長 | 最大 1,000,000 トークン |
| TerminalBench 2.1 | 80.52 |
| 比較スコア | Reflection Beam 501B 80.1、Meta Muse Spark Open 816B 76.4、Inkling 975B 63.8、Nemotron 3 Ultra 550B 56.4 |
| 研究開発費 | 3,200 万ドル。ラダー実験、データ配合、合成データ、後学習、最終本番訓練を含む |
| 強化学習の規模 | 140 万ロールアウト。同社によれば Reflection Beam の約 70 分の 1 |
| 提供先 | Hugging Face、Together AI、GMI Cloud、OpenRouter、Fireworks |
アーキテクチャと訓練
Ripple-65B は MoE ではなく稠密アーキテクチャを選んだ。理由として同社は、事前学習と後学習のインフラ複雑性を下げることを挙げる。訓練を通じてモデルの浮動小数点演算利用率（MFU）40% を維持し、カスタムカーネルも量子化も使っていない。
公開された構成は「細く深い」比率で、d_model は 5120、層数は 80。推論性能を高めるため注意ヘッド数を増やし、同時にスライディングウィンドウ注意（SWA）層とグローバル層の比率を上げ、コストを相殺するために SWA ウィンドウを狭めた。さらに FFN 活性化クリッピング、ゲート付き注意、global NoPE、value residuals を加えている。
事前学習のレシピは一連のモデルラダー実験から得た。Allen Institute for AI の Olmo 3 ラダーを起点に、StepFun のバッチサイズと学習率のスケーリング則、滑らかな次元・深さスケーリング、pre+post norm、sigmoid ゲート付き注意、global NoPE、value residuals を順に導入し、最後にコード比率を大幅に上げた独自データセットへ切り替えた。その累積効果として、4B 規模では Olmo 3 ラダーと同じコード性能を得るのに最大 16 倍少ない計算量で済む（dolma_stack の交差エントロピーで測定）としている。
後学習では、後学習用データを一切購入せず、合成データのパイプライン、品質フィルタ、カバレッジ指標を自前で構築した。強化学習のレシピは截断重要度サンプリング、スコア中心化、線形長さペナルティを含み、長期間の合成環境をモデルの向上に合わせて難しくしていく。初期の SFT チェックポイントから TerminalBench 2.1 の 80.5 に到達するまで、140 万ロールアウトしか使わなかったと報告している。
コストと比較
最も注目されたのは 3,200 万ドルという数字だ。同社はこれを「ゼロからの研究開発費の総額」と定義し、事前学習ラダーの開発、データ配合、評価、デバッグ、合成データ生成、後学習レシピの開発、最終の本番事前学習と後学習を含むとする。さらに、エージェント型コーディングにおける前世代のオープンウェイト SOTA の約 10 分の 1 のコストだとし、Reflection が SpaceX Colossus で計算資源に月 1 億 5,000 万ドルを投じたとする報道を脚注で引いている。
出典の違いには注意が必要だ。Reflection Beam 501B の 80.1、Meta Muse Spark Open 816B の 76.4 は Ricursive の比較表に由来し、同社がまとめた横比較であって、第三者の独立再現は公開されていない。TerminalBench 2.1 は公開ベンチマークだが、評価ハーネス、ツール権限、プロンプト設定は各社で異なり得るため、ベンダー間のスコアをそのまま能力順位として扱うことはできない。
パラメータ効率の面では、65B の稠密モデルが 501B と 816B のオープンウェイトモデルを上回る点が同社の中心的な主張である。説明は 2 点。アーキテクチャと訓練レシピをコーディング向けに最適化したこと、そして強化学習が約 70 分の 1 のロールアウトで目標に到達したことから、単純な計算量の積み上げよりデータとタスク設計が重要だったということだ。
影響と限界
利用者にとって直接の変化は配備のしやすさである。65B の稠密モデルは 1 台または小規模クラスタで動かせ、同社は NVIDIA DGX Spark のようなメモリ帯域の低い機器でも効率よく推論できると名指しする。500B 超のモデルがマルチ GPU クラスタを要するのとは対照的だ。
オープンウェイトの生態系では、「中規模パラメータでコーディング特化」という位置を埋める。現在の高スコア帯は 400B 超の MoE モデルが占めており、65B の稠密モデルが同じ帯域に入ることで、ローカルや閉域環境でコーディングエージェントを動かしたいチームに選択肢が増える。
事実と評価は分ける必要がある。80.52、3,200 万ドル、140 万ロールアウトはいずれも Ricursive の公式ブログに基づくベンダー報告である。「米国オープンウェイト SOTA」は TerminalBench 2.1 という単一のリーダーボードに関する主張で、全ベンチマークの総合順位ではない。長文脈検索、多言語、安全性評価の完全なデータも公表されていない。
公式ソース
- Ricursive Intelligence：Introducing Ripple-65B Preview, a Frontier Open-Weight Model（2026 年 11 月 6 日）