65B 跑赢 816B 开放权重模型，Ripple-65B 预览版把问题留给本地部署

Ricursive Intelligence 发布了他们的第一个大模型：Ripple-65B Preview。参数规模 65B，dense 架构，训练数据 12 万亿 token，上下文窗口最高 1M。帖子称它在 agentic coding 任务上刷新了美国开放权重模型的最好成绩，超过了参数更大的 Muse Spark Open-816B、Beam-501B、Inkling-975B 和 Nemotron 3 Ultra-550B。

agentic coding 可以理解成让模型在终端、代码库和工具调用里完成编程任务，不只是补全一行代码。dense 架构则意味着推理时每个 token 都要经过全部参数，显存占用和速度压力会更直接。

成绩单：

• TerminalBench 2.1：80.5%
• SWE-Bench Pro v2.0-Hard：79.1%
• DeepSWE v1.1：44.3%

官网页面在这里：ricursive.com/ripple。页面上的对比图可以交互，Reddit 跟帖里有人贴出了截图。

Reddit 跟帖里，最多人问的是本地运行要求。65B dense 模型量化到 4-bit，权重大约 34GiB。理论上能塞进部分笔记本或 DGX Spark 这类设备。但“能装下”和“跑得动”是两回事。有用户指出，dense 65B 在 DGX Spark 上会非常慢，Qwen 27B 已经跑不到 40 tok/s，65B 的体验不会好。48GB MacBook 可以尝试量化版本，但速度别抱太高期待。

也有用户说，开放权重模型讨论“每次智能的成本”意义不大，因为模型跑在自己的 GPU 上，电费自己付。这个说法有点糙，但方向没错。开放权重模型的价值在于可部署、可修改、可离线，代价是硬件和推理速度。

Ripple-65B 的 benchmark 很亮眼，尤其是 65B dense 对上一批更大的开放权重模型。但 Preview 版本、评测集、实际 agent 任务里的稳定性，都还要看后续。至少现在，本地部署玩家有了一个新选项，同时也有了一个新的显存和速度测试题。