Бывшие сотрудники Google заявили, что их новая модель Ripple-65B Preview под Apache 2.0 лидирует среди открытых моделей США в двух крупных тестах кодирования

От платформы для проектирования чипов к открытой модели

Ricursive разрабатывала собственную языковую модель для платформы проектирования чипов, а затем подготовила общедоступную версию для других задач. Компания описывает Ripple как универсальный вариант закрытой модели, которая используется в её платформе. Это родственная технология, а не сама система проектирования чипов.

Основатели Ricursive — генеральный директор Анна Голди и технический директор Азалия Мирхозеини — ранее участвовали в создании AlphaChip, программы Google для проектирования чипов с обучением с подкреплением.

В январе стартап объявил о привлечении $300 млн в раунде Series A при оценке в $4 млрд. Раунд возглавила Lightspeed. Среди инвесторов — NVentures, инвестиционное подразделение Nvidia, DST Global и Sequoia.

Результаты Ripple в задачах по программированию позволяют оценить одну модель Ricursive, но сами по себе ничего не доказывают о том, насколько эффективна отдельная платформа компании для проектирования микросхем.

Результаты в бенчмарках

В Ripple 65 млрд параметров — числовых значений, которые модель настраивает во время обучения. Ricursive обучила её с нуля на 12 трлн токенов. В материалах к запуску компания выделила задачи, где модель должна выполнить несколько шагов и воспользоваться программными инструментами.

На Terminal-Bench Ripple набрала 80,1 балла. За ней расположились Beam от Reflection с 79,7, Muse Spark Open от Meta с 76,4, Inkling от Thinking Machines с 63,8 и Nemotron 3 Ultra от Nvidia с 56,4. Разница между Ripple и Beam — около 0,4 процентного пункта с учётом округления. Ricursive также заявляет, что получила этот результат примерно с в 15 раз меньшим общим числом параметров, чем у Inkling.

На графике запуска Ripple лидирует среди этих моделей и в SWE-bench Pro v2.0 Hard. На DeepSWE результат другой: Meta набрала 60,0 балла против 44,3 у Ripple. Meta также опережает Ripple в приведённых тестах автоматизации и безопасности от состязательных атак, а в математическом тесте выше результаты и у Meta, и у Reflection.

Эти данные не подтверждают общего лидерства в программировании. В опубликованном Reflection сравнении несколько моделей китайской разработки опережают результат Ripple на Terminal-Bench. Кроме того, в обновлённых данных Reflection для Beam указаны 77,2 балла на SWE-bench Pro v2-Hard и 44,4 на DeepSWE. Это оценки разных компаний, а не результаты контролируемого сравнения двух моделей.

Почему цифры трудно сопоставить

В материалах Ricursive есть расхождения. В карточке модели для SWE-bench Pro v2.0 Hard указаны результаты Meta 52,3 и Inkling 2,0, тогда как на графике запуска для них приведены 72,4 и 39,6. Некоторые результаты конкурентов на DeepSWE тоже отличаются.

Карточка сообщает, что таблицы объединяют опубликованные результаты и внутренние оценки. Ricursive признаёт, что воспроизвести бенчмарки ИИ-агентов сложно, и отмечает влияние выбранного фреймворка оценки на итоговые баллы.

Для команд, выбирающих модель, это затрудняет прогнозирование результатов в собственном рабочем процессе. На работу ИИ-агента влияют доступные ему инструменты, управление длинным диалогом и обработка ошибок. Поэтому оценка в бенчмарке отражает не только саму модель, но и условия её запуска.

Результаты делают Ripple кандидатом для проверки, но не показывают, будет ли она точнее, быстрее или дешевле справляться с задачами конкретной компании.

Как Ricursive объясняет затраты на обучение

Ricursive оценивает общие расходы на подготовку Ripple в $32 млн. В сумму, по словам компании, вошли предварительные эксперименты по обучению, подготовка данных, оценки, поиск и устранение неисправностей, создание синтетических данных, разработка поздних этапов обучения и финальные запуски. Для сравнения Ricursive приводит оценки в сотни миллионов и даже миллиарды долларов для других передовых закрытых моделей.

Стартап также оценивает свои расходы примерно в одну десятую от затрат предыдущего американского лидера среди моделей с открытыми весами для программирования. Для этой оценки Ricursive использовала опубликованные данные Reflection о вычислительных ресурсах и продолжительности обучения. Это не сопоставимая финансовая отчётность двух компаний.

В обосновании эффективности обучения есть два технических аргумента.

Во-первых, Ricursive сообщает, что для достижения опубликованного результата на Terminal-Bench процессу обучения с подкреплением хватило 1,4 млн прогонов. Прогон — последовательность действий модели, которую исследователи оценивают и используют как обратную связь при обучении. По заявлению стартапа, это примерно в 70 раз меньше, чем потребовалось Reflection.

Reflection отдельно сообщала, что провела более 100 млн прогонов за четырёхнедельный цикл обучения с подкреплением. Сравнение количества прогонов само по себе не доказывает сопоставимой экономии: последовательности действий могут различаться по длине, требованиям к оборудованию и стоимости оценки.

Во-вторых, Ricursive утверждает, что повысила эффективность начального обучения, изменив структуру модели, настройки и данные. Эксперименты начинались с модели Olmo 3: изменения сначала проверяли на меньшем масштабе, прежде чем перейти к более крупной модели.

Согласно графику компании, итоговый вариант обучения достиг сопоставимого значения потерь при предсказании кода, затратив до 16 раз меньше вычислений на модели с 4 млрд параметров. Это результат для конкретной учебной цели. Он не означает, что ИИ-агент стал в 16 раз эффективнее или что его эксплуатация обходится в 16 раз дешевле.

Архитектура и запуск на собственном оборудовании

Ricursive выбрала плотную архитектуру: при генерации модель использует весь набор параметров. По словам компании, её было проще обучать, чем модель типа «смесь экспертов», которая направляет вычисления через отдельные части более крупной системы.

В Ripple 80 слоёв; её структуру оптимизировали для оборудования Nvidia. Компания заявляет примерно о 40-процентном использовании вычислительных возможностей модели — показателе того, насколько полно обучение задействует доступные мощности. Для этого, по словам Ricursive, не потребовались специальные пользовательские ядра или квантование во время обучения.

Размер моделей требует отдельного уточнения. В карточке Ripple указано 65 млрд активных параметров, тогда как у Beam — 23 млрд активных при 501 млрд общих. Общее число параметров и объём вычислений на один сгенерированный токен — разные показатели.

Для локального запуска Ricursive упоминает Nvidia DGX Spark, а в сообщении в социальных сетях — также MacBook. В описании выпуска не указаны конкретная конфигурация памяти ноутбука, скорость работы или доступная длина контекста для такого сценария.

В карточке модели есть веса с настройкой инструкций в форматах BF16 и сжатом NVFP4, а также базовая модель в BF16. При оценке локального запуска разработчикам нужно отдельно проверять потребление памяти и производительность каждой версии.

Доступ через API и стоимость

Наиболее конкретная опубликованная цена относится к Ripple через OpenRouter и конечную точку GMI Cloud: $0,20 за миллион входных токенов и $0,60 за миллион выходных. Для кэшированных входных токенов OpenRouter указывает $0,05 за миллион. Сейчас конечная точка поддерживает контекст до 16 384 токенов, поэтому этот тариф не даёт оснований рассчитывать на доступ к заявленному окну в миллион токенов.

На странице модели Together указано, что Ripple скоро появится в бессерверном API, но в публичном тарифном списке отдельной цены для неё не было. В документации Fireworks также нет отдельного тарифа Ripple. Для плотных моделей без индивидуальной цены с более чем 16 млрд параметров Fireworks указывает общий тариф $0,90 за миллион токенов — одинаковый для входных и выходных. Считать его подтверждённой ценой Ripple нельзя.

Публичная страница GMI Cloud посвящена аренде вычислительных мощностей GPU, а связанная с Ripple страница консоли не показывала доступную для чтения цену. Поэтому тариф OpenRouter подтверждает стоимость именно этого способа доступа, а не прямую цену GMI Cloud.

Указанные тарифы Ripple ниже опубликованных Together цен на Beam — $0,40 за миллион входных и $1,20 за миллион выходных токенов. Но Ripple не становится самым дешёвым размещённым вариантом: Together указывает для GPT-OSS-120B $0,15 за миллион входных и $0,60 за миллион выходных токенов. Это сравнение тарифов разных поставщиков, условия работы у которых могут отличаться.

Для ИИ-агентов цена токенов — лишь часть расходов. Командам также нужно учитывать объём текста на задачу, число повторных попыток и стоимость среды, в которой агент запускает инструменты.

Apache 2.0 и коммерческое использование

В репозитории Ricursive для модели размещена лицензия Apache 2.0. Она разрешает коммерческое использование, изменение и распространение при соблюдении условий лицензии.

Компании могут адаптировать модель и включать её в коммерческие продукты без отчислений за лицензию на модель. В опубликованных условиях нет порога по выручке или числу пользователей в месяц, после которого потребовалось бы заключать отдельное коммерческое соглашение.

При распространении сохраняются обязательства: передавать получателям текст лицензии, отмечать изменения в изменённых файлах и сохранять применимые уведомления об авторских правах и атрибуции. Если в комплекте поставки есть файл NOTICE, соответствующие уведомления нужно включить в распространяемые производные версии.

Apache 2.0 не обязывает публиковать все изменения на тех же условиях и не предоставляет широких прав на товарные знаки Ricursive или общей гарантии.

Лицензия на веса и договор с поставщиком API регулируют разные вопросы. Загрузка модели не отменяет расходов на оборудование и эксплуатацию, а при использовании API действуют тарифы и условия конкретного поставщика.

Что могут проверить корпоративные команды

Ripple предлагает сочетание скачиваемых весов, разрешительной лицензии, заявленных Ricursive результатов в задачах по программированию и недорогого варианта доступа через API. Следующий шаг для разработчиков — сравнить её на собственных репозиториях и с используемым программным обеспечением ИИ-агентов. В такой проверке стоит фиксировать число выполненных задач, ошибки, затраченное время, расход токенов и объём необходимого вмешательства человека. Для локального запуска отдельно нужно измерить требования к памяти и производительность.

Ricursive предлагает проверить, справится ли модель с меньшим общим числом параметров с задачами, которые обычно поручают более крупным американским моделям с открытыми весами. По оценке Dataist, практическую ценность Ripple определят воспроизводимость результатов, реальные ограничения развёртывания и стоимость выполненной задачи: имеющиеся бенчмарки и цены API пока не дают ответа на эти вопросы.