花 3200 万美元训出一个 650 亿参数的开源编程模型，Ricursive 的 Ripple 凭什么敢说“美国开源第一”

Ricursive 本职是用 AI 做芯片设计。Ripple-65B Preview 是他们给自家芯片设计平台训的内部模型的通用版本，现在公开了权重（也就是模型文件，可以下载到自己机器上跑）。官方的说法是：它在 TerminalBench 2.1（一套让 AI 在命令行里完成真实任务的编程测试）上得 80.52 分，是美国开源模型里最高的。

01官方拿来比的对手和分数

官方文章列出的对比是：Reflection Beam 501B 得 80.1，Meta Muse Spark Open 816B 得 76.4，Thinking Machines Inkling 975B 得 63.8，NVIDIA Nemotron 3 Ultra 550B 得 56.4。名字后面的数字是参数量，单位是十亿。Ripple 只有 65B，参数量不到对手的八分之一到十分之一，却分数更高。需要留意：这些分数来自 Ricursive 自己的文章，我没有看到第三方复现。另外“Preview”意味着还不是正式版。

023200 万美元包含什么

官方强调这 3200 万美元是完整研发成本：预训练前的小规模实验、数据配比、评测、调试、合成数据生成、后训练方案开发，再加最后那次大规模预训练和后训练。官方称这是此前开源最高分模型成本的约十分之一，但这个“十分之一”是他们按公开报道估算的，脚注里引用的是 Reflection 此前公开的算力合同和训练时长。读的时候把它当作量级参考，不要当成精确对比。

省钱的办法，官方写了三条。一是后训练阶段只用 140 万次强化学习尝试（rollout），他们说比 Beam 少约 70 倍；二是没买后训练数据，全部自己造合成数据；三是用小模型反复试配方，再放大，官方称在代码任务上同等效果的算力需求最多降到原来的十六分之一（在 40 亿参数规模下测的）。

03为什么选“稠密”而不是 MoE

现在很多大模型用 MoE（混合专家），每次只激活一部分参数。Ripple 反过来用稠密模型：每次生成每个字都动用全部 650 亿参数。官方的理由是训练和部署都更简单，训练时算力利用率（MFU）稳定在 40%，不需要自写底层加速代码，也没做量化。好处他们也写了：小参数量让它能在 NVIDIA DGX Spark 这类内存带宽不算高的桌面设备上跑。代价是每个字都要动全部参数，同等规模下推理开销通常比 MoE 高，这一点官方文章没有展开。

04想试的话从哪进

• 模型在 Hugging Face（ricursiveAI/Ripple-65B-Preview）可下载
• 在线调用：Together AI、GMI Cloud、OpenRouter 已上线，Fireworks 文章发布当天晚些时候上线
• 预训练 12 万亿 token，上下文最长 100 万 token

我的判断：如果你关心的是“小团队能不能用几千万美元训出够用的编程模型”，这篇文章值得读；如果你要选一个日常写代码的模型，等独立评测和实际使用反馈再决定更稳。许可证条款官方文章没写，下载前请先看模型卡上的说明。