Ripple-65B Preview

Ripple-65B Preview

用 650 亿参数的稠密语言模型驱动终端编程智能体，上下文最长 1,048,576 个 token。适合想要 Apache 2.0 开放权重的开发者和研究者。

由 ricursiveAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Ripple-65B Preview 是 ricursiveAI 推出的语言模型，面向智能体式编程和推理。它是一个拥有 650 亿参数的稠密 Transformer，预训练用了 12 万亿个 token，上下文最长可达 1,048,576 个 token。本页介绍的是 BF16 指令微调版本。

适合谁：它适合想自己运行、也想研究编程模型的人。开发方把它设计成在 NVIDIA 硬件上训练和部署。

Industry | Who uses it | How they use it | Example
软件 | 开发编程智能体的开发者 | 把它当作终端里工作的智能体背后的模型 | 把一个构建失败的项目交给智能体修复
AI 研究 | 模型研究者 | 把稠密 65B 设计和更大的混合专家模型放在一起研究 | 对比层数和注意力头的选择
本地 AI | 在自己电脑上跑模型的人 | 在消费级硬件上试用 NVFP4 检查点 | 在 NVIDIA DGX Spark 上和它对话
基础设施 | 在 GPU 上部署模型的团队 | 在数据中心显卡上测量生成速度 | 在 B200 GPU 上给输出计时

如果你需要图像、音频或很强的非英语能力，可以跳过它，因为训练只用了文本，而且以英语为主。

用在哪里：只要能部署大语言模型并接上编程智能体，它就能用。

• 终端编程智能体：开发方用 Terminus 2 和 OpenCode 这两个框架跑了基准测试。
• 数据中心 GPU：运行 BF16 权重，开发方在两块 B200 上部署过。
• 消费级硬件，比如 NVIDIA DGX Spark，使用 NVFP4 检查点。
• 开发方为 NVFP4 检查点提供的 Colab 笔记本。

Use case | Who | What they get back
智能体式编程 | 开发者 | 一个以智能体式编程为重点做过后训练的模型
长上下文任务 | 输入很长的工程师 | 一次最多接收 1,048,576 个 token 的模型
本地实验 | 研究者和爱好者 | 一个尺寸适合 DGX Spark 等消费级硬件的 65B 模型

如何设置：开发方提供三个检查点，请按你的机器选一个。本页没有列出安装命令，因为来源里没有给出。加载代码请看模型页面。

• 一台 NVIDIA GPU 机器，因为这个模型就是为在这类硬件上训练和部署而设计的。
• 足够放下所选检查点的 GPU 显存。NVFP4 版本更小。
• 一套你已在用的大语言模型部署工具或框架。

1. 选一个检查点：本页的 BF16 指令微调模型、NVFP4 版本，或 BF16 基础模型。
2. 机器较小时，从 NVFP4 检查点和开发方提供的 Colab 开始。
3. 在 Hugging Face 的模型页面下载权重。
4. 在你的部署工具里加载它，再把编程智能体连上去。

如何使用：你把它当作编程智能体背后的模型来用。在终端里给智能体一个任务，模型就会处理它。开发方做基准测试时还用了两个有名字的框架。

Tool | What it does
Ripple-65B Preview | BF16 指令微调模型，后训练较轻，重点是智能体式编程
Ripple-65B Preview NVFP4 | NVFP4 数值格式的指令微调模型，供本地使用
Ripple-65B Base Preview | BF16 的纯预训练检查点，没有中期训练，也没有合成问答数据
Terminus 2 | 开发方在 SWE-bench Pro 和 DeepSWE 测试中用的智能体框架
OpenCode | 开发方用它跑没有指定框架的基准测试

示例：你对智能体说：“我上次改完后测试套件失败了，帮我找出原因并修好。”模型会给出一步步的终端操作，朝着修复推进，你在接受任何改动之前先自己检查。

新手与专家：你可以把它看成一个被教会在终端里干活的大文本模型。第一次试用，可以在开发方提供的 Colab 里加载 NVFP4 检查点，问一个简短的编程问题。

如果你熟悉这个领域：设计是又窄又深，模型宽度 5120，共 80 层，布局接近 Gemma 3N，而不是之前的 Olmo 3。它加了更多注意力头，增加了滑动窗口层的比例并缩小窗口，还有 FFN 激活截断、门控注意力、全局 NoPE 和 value 残差。开发方选稠密而不是混合专家，是为了让训练和部署更简单，并称在没有自定义内核的情况下 MFU 约为 40%。

以 8K 长度预训练 12T token
64K 中期训练，再做长上下文阶段
SFT 和长上下文 SFT
混合领域 RL

注意事项：

• 训练数据只有文本，以英语和代码为主。
• 这是预览版。后训练相对较轻，重点是智能体式编程。
• 基准结果来自开发方自己。部分用了它内部的评测流程，它也说智能体评测很难复现。
• 用官方 Terminus 2 框架、128K 长度并带摘要时，几乎所有模型的分数都更低。
• 在两块 B200 GPU 上、批大小为 8、未量化也没有自定义内核时，生成速度约为每秒 250 个 token。
• 许可证是 Apache 2.0。

Title: TerminalBench 2.1 得分，越高越好
Ripple-65B Preview: 80.52 分
Reflection Beam 501B: 80.1 分
Meta Muse Spark Open 816B: 76.4 分
Thinking Machines Inkling 975B: 63.8 分
NVIDIA Nemotron 3 Ultra 550B: 56.4 分

Hugging Face 上的数据（2026年11月10日）

• 参数量：64.8B
• Weights: about 130 GB in BF16; about 32.4 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：5,835
• 点赞：458
• 许可证：apache-2.0
• Quantized versions: 43
• Fine-tunes: 6
• 标签：safetensors, ricursive

链接

• 模型：https://huggingface.co/ricursiveAI/Ripple-65B-Preview
• 文件：https://huggingface.co/ricursiveAI/Ripple-65B-Preview/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ricursiveAI/Ripple-65B-Preview

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。