Ripple-65B 开源模型发布挑战十倍体量对手

一、芯片设计工具公司发布六百五十亿参数开源模型

据 Silicon Noon 报道，芯片设计工具初创公司 Ricursive Intelligence 11月6日发布 Ripple-65BPreview，这是一个650亿参数的稠密模型，从零开始预训练，使用12万亿 token，上下文长度为100万 token，以 Apache 2.0 协议发布BF16 与 NVFP4两个版本。这一发布来自一家芯片设计工具公司，而非传统的大模型厂商，其背景与定位因此受到关注。模型以开放权重方式发布，两个不同精度版本同时提供，可以满足不同部署场景对精度与效率的不同需求，100万token 的上下文长度也为长文本处理留下了较大空间。作为一家芯片设计工具初创公司，Ricursive Intelligence选择从零预训练并开放权重发布，显示出其希望借助开源生态扩大影响力的意图。

二、智能体编程评测中击败十倍体量对手

据模型卡片介绍，Ripple-65B Preview 在智能体编程（agentic coding）评测中击败了体量十倍于己的美国开源对手，包括 Meta的8160亿参数 Muse SparkOpen。这一对比颇具冲击力：一个650亿参数的稠密模型，在特定评测中战胜了参数规模达到8160亿的对手，显示出参数规模并非决定模型能力的唯一因素，训练数据、训练方法与架构设计同样重要。模型从零预训练、使用12万亿token 的训练规模，说明其训练投入相当可观，而稠密架构的选择也与当前不少厂商采用的混合专家架构形成对照。两个版本中，BF16版本保留了较高的数值精度，NVFP4版本则采用更低精度的量化格式，有助于在推理时降低显存占用与计算成本，开发者可以根据硬件条件选择合适的版本。从训练投入看，12万亿 token 的训练量与100万 token 的上下文组合，表明研发团队在数据规模与长文本能力上都做了较重投入。

三、小参数模型的能力竞争正在加剧

如果模型卡片中的评测结果得到独立验证，Ripple-65B Preview的发布将进一步强化一个趋势：中小规模模型通过高质量训练与针对性优化，正在特定任务上缩小甚至反超大模型的差距。对开发者而言，650亿参数的模型在部署成本与推理速度上相对更友好，100万token 上下文与 Apache 2.0 开放协议的组合，也降低了试用与集成的门槛。对 Meta等发布更大规模开源模型的厂商来说，这一挑战意味着开源模型竞争的焦点正在从单纯的参数规模，转向训练质量与任务适配能力。未来需要观察的是，Ripple-65BPreview 在更多公开评测中的表现是否稳定，以及芯片设计工具公司进入大模型领域的后续动作。

信源跟踪： Silicon Noon | 数据时间： 北京时间 2026年11月6日