شرکت Ricursive Intelligence روز جمعه ۱۵ آبان ۱۴۰۵ (۶ نوامبر ۲۰۲۶) مدلِ «Ripple-65B Preview» را منتشر کرد؛ مدلی ۶۵ میلیارد پارامتری برای کدنویسی و کارهای ایجنتی که وزن‌هایش در Hugging Face گذاشته شده. به‌گفته‌ی صفحه‌ی رسمیِ شرکت امتیازش در آزمونِ TerminalBench 2.1 برابر ۸۰٫۵۲ است و آن را بهترین نتیجه‌ی مدل‌های بازِ آمریکایی می‌نامد. طبق گزارش The Decoder مجوزِ مدل Apache 2.0 است.
Ripple-65B چه مدلی است؟
Ricursive شرکتی است که در طراحیِ تراشه با هوش مصنوعی کار می‌کند و Ripple نسخه‌ای همه‌منظوره از مدلِ اختصاصیِ پلتفرمِ طراحیِ تراشه‌ی خودش است. مشخصاتی که شرکت اعلام کرده:
- معماری: ترنسفورمرِ «چگال» (dense)، نه ترکیبِ متخصصان (MoE)؛ با عرضِ مدلِ ۵۱۲۰ و ۸۰ لایه.
- پیش‌آموزش: ۱۲ تریلیون توکن، با پشتیبانی از زمینه‌ی تا یک میلیون توکن.
- هزینه‌ی کل: حدود ۳۲ میلیون دلار برای همه‌ی پژوهش و توسعه؛ شرکت می‌گوید این رقم یک‌دهمِ هزینه‌ی مدلِ بازِ پیشینِ هم‌رده است.
- پس‌آموزش: داده‌ی مصنوعی و یادگیریِ تقویتی با حدود ۱٫۴ میلیون اجرا.
عددهای آزمون
شرکت در TerminalBench 2.1 مدل‌های دیگر را این‌طور مقایسه کرده است:
| مدل | امتیاز TerminalBench 2.1 |
|---|---|
| Ripple-65B Preview | ۸۰٫۵۲ |
| Reflection Beam | ۸۰٫۱ |
| Meta Muse Spark Open | ۷۶٫۴ |
| Thinking Machines Inkling | ۶۳٫۸ |
| NVIDIA Nemotron 3 Ultra | ۵۶٫۴ |
اما تصویر کامل شیرین‌تر نیست. طبق The Decoder در آزمون‌های دیگر Ripple از Inkling 2 Small عقب است: در SWE-Bench Pro v2.0 Hard امتیازش ۷۹٫۱٪ در برابر ۸۶٫۳٪ است، در DeepSWE v1.1 برابر ۴۴٫۳٪ در برابر ۷۲٫۱٪ و در MCP Atlas حدود ۷۱٫۷٪ در برابر ۸۵٪. بنابراین «بهترین» بودن به آزمون بستگی دارد. درباره‌ی مدل رقیب در مقاله‌ی Inkling 2 Small نوشته‌ایم.
چرا اندازه‌ی ۶۵ میلیارد مهم است؟
برخلاف مدل‌های چندصدمیلیاردی، Ripple به‌اندازه‌ای کوچک است که شرکت می‌گوید روی دستگاه‌هایی مثل NVIDIA DGX Spark هم به‌شکلِ مؤثر اجرا می‌شود. معمارِ چگال هم استقرارش را ساده‌تر می‌کند. مدل در Hugging Face، Together AI، GMI Cloud، OpenRouter و Fireworks در دسترس است و برای دانلود از صفحه‌ی مدل می‌توان استفاده کرد. این هم‌راستا با روندِ مدل‌های محلیِ کدنویسی است؛ نمونه‌ی دیگرش در Flint بود.
رویکردِ ارزان‌ترِ آموزش
یکی از ادعاهای جالبِ شرکت، هزینه است. Ricursive می‌گوید برای پس‌آموزش حدود ۱٫۴ میلیون اجرا (rollout) کافی بوده، یعنی حدود ۷۰ برابر کمتر از Reflection Beam. همچنین تغییرهای معماری و پیش‌آموزش را باعثِ بهبودِ کارایی محاسبه تا ۱۶ برابر در مقیاسِ ۴ میلیارد پارامتری نسبت به نردبانِ مدل‌های Olmo 3 می‌داند و بهره‌وریِ محاسباتی (MFU) را حدود ۴۰٪ اعلام می‌کند. این‌ها هم ادعاهای خودِ شرکت‌اند و فقط وقتی مهم می‌شوند که پژوهشگرانِ مستقل بتوانند همان نتیجه را بازتولید کنند. اگر درست باشند، یعنی تیم‌های کوچک‌تر هم می‌توانند مدل‌های باز و قدرتمند بسازند، بی‌آنکه صدها میلیون دلار خرج کنند.
این یعنی چه برای کاربر فارسی‌زبان؟
خبر خوب: مدلِ باز است و می‌شود آن را دانلود کرد یا از راهِ سرویس‌های میزبان امتحان کرد. نکته‌ی محدودکننده: همه‌ی امتیازها برای کدنویسی و کار با ترمینال است و درباره‌ی کیفیتِ زبان فارسی چیزی گفته نشده. اگر برنامه‌نویس هستید، می‌توانید آن را کنارِ ابزارهای دیگر بسنجید؛ راهنمای بهترین هوش مصنوعی برای برنامه‌نویسی برای مقایسه مفید است. برای گفت‌وگو و کمک‌گرفتن به فارسی هم می‌توانید از ابزارهای هوش‌نو استفاده کنید.
چه چیزی هنوز معلوم نیست؟
- نتیجه‌ی آزمون‌های مستقل؛ همه‌ی عددها ادعای خودِ شرکت است.
- نامِ «Preview» یعنی نسخه‌ی نهایی هنوز نیامده.
- مجوز در صفحه‌ی شرکت ذکر نشده و فقط The Decoder آن را Apache 2.0 نوشته است؛ پیش از استفاده‌ی تجاری، مجوز را در خودِ صفحه‌ی مدل ببینید.
- عملکرد در فارسی و زبان‌های غیرانگلیسی.
سؤالات متداول
Ripple-65B Preview را چه شرکتی ساخته؟
Ricursive Intelligence، شرکتی که در طراحیِ تراشه با هوش مصنوعی فعالیت می‌کند.
متن‌باز است؟
وزن‌ها در Hugging Face منتشر شده‌اند و The Decoder مجوز را Apache 2.0 گزارش کرده است.
برای چه کاری خوب است؟
بیشتر برای کدنویسی و کارهای ایجنتی با ترمینال؛ درباره‌ی فارسی چیزی اعلام نشده.
