Ripple-65B açık kaynak kodlama modeli 1M token bağlam iddiasında bulunuyor ama DGX Spark betiği 128K ile sınırlı

Ricursive Intelligence, 4 Kasım'da Ripple-65B Preview'yı yayımladı; şirket, bu 65 milyar parametreli yoğun (dense) kodlama modelini 12 trilyon tokenla sıfırdan ön eğittiğini belirtiyor. Ağırlıklar Apache 2.0 lisansıyla Hugging Face'te yer alıyor ve öne çıkan iddia, Terminal-Bench 2.1'deki 80.5 puan. Ancak Gabriel Anhaia'nın dev.to'daki analizinde ortaya konduğu gibi, duyurulan milyon tokenlık bağlam yalnızca sunucu donanımında geçerli: NVIDIA'nın DGX Spark masaüstü cihazı için Ricursive'un kendi betiği 131.072 tokenda duruyor.

Neler yayımlandı

Model kartına göre yayım dört depayla birlikte geliyor: bir BF16 instruct modeli, bir BF16 base modeli, yalnızca MLP katmanlarını nicemleyip attention'ı BF16'da bırakan ve deneysel olarak etiketlenmiş bir NVFP4 derlemesi ve spekülatif kod çözme (speculative decoding) için kullanılan bir DFlash2 draft modeli.

Mimari, yerleşik bir Transformers tipi olarak değil, kod olarak sunulacak kadar yeni. Depo kendi model_type'ını tanımlıyor ve kendi modeling dosyasına işaret ediyor; dolayısıyla ağırlıkları Transformers ile yüklemek trust_remote_code=True gerektiriyor, bu da yayımcının Python kodunu makinenizde çalıştırır demek. dev.to yazısındaki tavsiye geçerli: çalıştırmadan önce o dosyayı okuyun.

Bağlam iddiaları da Ricursive'un kendi belgeleri içinde birbirinden farklı. Kartın girişinde "1M'e kadar" yazarken, eğitim tablosunda uzun bağlam aşamaları için 2M dizi uzunluğu listeleniyor.

Uyarılarla dolu bir skor tablosu

80.5'lik Terminal-Bench sonucu Ripple'ı Reflection'un Beam'inin (501B parametre, 80.1), Meta'nın Muse Spark Open'ının (816B, 76.4) ve Thinking Machines'in Inkling'inin (975B, 63.8) önüne koyuyor. Ancak VentureBeat'in de belirttiği gibi, bunlar kontrollü bir karşılaştırma değil, ayrı satıcılardan gelen kendi beyan ettikleri sayılar; üstelik Ricursive'un tablosu farklı harness'ler karıştırıyor: bazı benchmark'larda Terminus 2, SciCode için Inspect AI, adı geçmeyen yerlerde ise OpenCode.

Ripple kendi kartındaki bazı satırlarda da kaybediyor. Beam, SWE-bench Verified'da 81.6'ya karşı 76.5 ve SWE-bench Pro v1.0'da 66.1'e karşı 61.42 ile önde. Muse Spark Open, DeepSWE 1.1'de (60.0'a karşı 44.3) ve MCP Atlas'ta (89.2'ye karşı 71.67) önde. Ripple'ın 39.4'lük SciCode skoru, listelenen beş modelin en düşüğü. VentureBeat ayrıca Ricursive'un lansman görseli ile kartı arasında Inkling'in SWE-bench Pro v2.0 Hard skoru konusunda bir tutarsızlık buldu: bir belgede 39.6, diğerinde 2.0.

Boyut karşılaştırması da bir dipnot gerektiriyor. Beam, token başına 23B parametre aktive eden bir mixture-of-experts modeli; Ripple ise yoğun (dense) olduğundan üretilen her token 65B parametrenin tamamından geçiyor — üstelik Ricursive'un kendi de verimerkezi GPU'larına kıyasla bellek bant genişliği eksik olarak nitelendirdiği donanımda.

Üç çalıştırma yolu, üç bağlam penceresi

Aynı ağırlıklar, rotaya bağlı olarak farklı sınırlarla geliyor. GMICloud tarafından BF16 olarak sunulan OpenRouter listesinde tam 1.048.576 tokenlık pencere ve 131.072 maksimum çıktı görünüyor; fiyat, milyon giriş tokenı başına 0,20 dolar, milyon çıktı tokenı başına 0,60 dolar ve önbelleğe alınmış giriş için 0,05 dolar; VentureBeat daha önce orada 16.384 tokenlık bir sınır bildirmişti, o yüzden prompt boyutlandırmadan önce listeyi tekrar kontrol etmek iyi olur. Ricursive'un kendi sunucu tarifi, iki B200 GPU üzerinde tam pencereyle SGLang 0.5.19 çalıştırıyor ve port başına sekiz eşzamanlı istek işliyor. DGX Spark betiği ise bağlamı 131.072 tokende sabitliyor ve aynı anda tek istek işliyor.

Together AI modeli "çok yakında" olarak listeliyor ve VentureBeat'e göre lansman sayfasında yayım günü canlıya alınacağı söylenen Fireworks için teyit edilmiş bir ücret yoktu.

Yerel çalıştırma gerçekte ne demek

Spark betiği özellikle kutunun GB10 GPU'sunu (compute capability 12.1) kontrol ediyor ve başka bir şeyde hata veriyor. SGLang motorunu HTTP sunucusu, port ve streaming olmadan Python sürecinin içine sarıyor; dolayısıyla OpenAI uyumlu bir endpoint bekleyen herhangi bir kodlama ajanının önüne bir sunucu konması gerekir. dev.to yazarı betiği kendisinin çalıştırmadığını belirtiyor.

VentureBeat'e göre sosyal medyadaki bir duyuru hedefler arasında MacBook'ları da saymıştı, ancak yayım hiçbir dizüstü bellek yapılandırması, hızı veya kullanılabilir bağlam belirtmiyor. Hub'da zaten MLX ve GGUF derlemeleri dahil dokuz topluluk nicemlemesi var; hiçbiri Ricursive'tan değil ve Ricursive'un kendi kartlarında bunlara değinilmiyor.

Neden önemli

Ajan destekli (agentic) kodlama benchmark'larında toplam boyutunun sekiz ila on beş katı modellerle yarışan Apache 2.0 lisanslı, yoğun bir 65B model, yerel yapay zeka araçları için gerçek bir veri noktası — ağırlıklar, nicemlenmiş bir varyant ve bir spekülatif kod çözme draft modeli tamamı mevcut. Ancak küçük yazılar lansman kadar önemli. "1M bağlam" ile 128K'lık yerel pencere arasındaki uçurum, satıcıların kendi beyan ettikleri skorları ve farklı harness'leri karıştıran benchmark'lar, şimdiye dek alıntılanan sıfır bağımsız Terminal-Bench çalışması ve yayımlardaki preview veya deneysel etiketleri hep aynı yönü işaret ediyor: etrafına inşa yapmadan önce kendi donanımınızda ve kendi iş kayıtlarınızda test edin.