Ripple-65B Preview: 80.52 on Terminal-Bench, Apache 2.0
Ricursive's Ripple-65B Preview hits 80.52 on Terminal-Bench 2.1 with Apache 2.0 dense weights. Why the 1M context claim serves 16K, what runs locally, and the real cost.
Ricursive Intelligenceが2026年11月4日、オープンウェイトのコーディングモデル「Ripple-65B Preview」を公開した。65Bの密（dense）TransformerでTerminal-Bench 2.1が80.52。同社はこれを「米国オープンウェイト最強」と位置づけ、501BのReflection Beam（80.1）、816BのMeta Muse Spark Open（76.4）を上回ると主張している。
注目すべきはスコアより3つの数字だ。129.6GBのBF16重み、Apache 2.0、そして開発費3,200万ドル。この3つが揃ったことで、個人開発者にも「自前で動かし、商用利用できるエージェント用モデル」という選択肢が現実になった。ただし、そのまま受け取ると失敗する落とし穴が3つある。
事実：何が出たのか
Hugging Faceに同日公開されたリポジトリは4種類ある。違いはハードウェア要件に直結するので、まずここを押さえたい。
- Ripple-65B Preview（instruct・BF16）：16シャード・129.57GB、Apache 2.0、ゲートなし- Ripple-65B Preview NVFP4：実験的な4bit版・57.22GB。MLP層を量子化し、AttentionはBF16のまま- Ripple-65B Base Preview：事前学習のみのチェックポイント（midtraining・合成QAなし）- Ripple-65B Preview DFlash2：投機的デコード用ドラフトモデル・4.04B・8.08GB
落とし穴1：1Mコンテキストは「重みの中」にしかない
モデルカードは「最大1Mトークン」とうたう。config.jsonのmax_position_embeddingsは2,097,152。しかし最初の商用APIエンドポイント（Together AI）が提供するのは16,384トークン、出力上限14,745トークンだ。
これは矛盾ではなく、KVキャッシュのコストの問題である。80層・8KVヘッド・ヘッド次元128・BF16なら、1トークンあたり約0.33MB。16,384トークンなら約5.4GBだが、全層がグローバルに1Mトークンを見ると約344GBのキャッシュが重み130GBの上に乗る。スライディングウィンドウのおかげで80層のうち一部だけがグローバルなら、1M時のキャッシュは約69GBまで下がる。それでもマルチGPUノードが要る。
整理するとこうだ。1Mは「重みに存在する能力」、16Kは「今日のホスティングが売っている量」。リポジトリ規模の推論や長文書処理が目的なら、API経由では届かない。
落とし穴2：「ローカルで動く」は57GBの話
DGX Sparkで動くという記述が「MacBookで動く」に増幅されて流通しているが、それはNVFP4版（57.22GB）の話だ。BF16のinstructは129.57GBあり、単体では192GBクラスのアクセラレータかマルチGPU分割が必要になる。ローカル運用を狙うなら量子化版から入るしかない。
落とし穴3：スコアは自己申告で、Terminal-Benchの外では弱い
80.52はRicursive自身の評価フローで出た数字で、2026年11月5日時点でArtificial Analysisにもエントリがない。第三者の再現はまだない。
ただし、同社はTerminus 2ハーネス（128K・要約あり）での再測定も公開している。Rippleは80.5で据え置き、Muse Sparkは76.4→78.7に上がり、Reflection Beamは80.1→70.8に落ちた。競合が下がり自分が据え置きというハーネスを自ら出す姿勢は、通常のローンチ記事より誠実だ。それでも全数値が同社の評価フロー由来であることは変わらない。
そして主張はターミナルの外に出ると弱くなる。DeepSWE 1.1は44.3でMuse Sparkの60.0に負け、MCP Atlasは71.67でMuse Spark 89.2とInkling 76.0の後塵を拝す。SciCodeは39.4で5モデル中最下位。つまり「長時間のターミナル作業」には強いが、「MCPを多用するアシスタント」や「科学計算コード」には向かない。
また「米国オープンウェイトSOTA」は修飾語だ。DeepSeekやQwenなど非米国のラボは除外されている。世界最高ではなく、米国内で学習されたオープンウェイトの中で最高、という意味である。
興味深いのはBaseモデルの方
Base Previewのカードには、ローンチ記事が前面に出さない一文がある。事前学習済みチェックポイントは「DeepSeek V3.1およびV4 Flashと推論・数学・コードで同程度」で、Nemotron 3 Ultraは「従来の事前学習評価で圧倒する」と書かれている。数字も控えめだ。BaseのMMLU-Proは61.5（DeepSeek V4 Flash 284Bは68.3、Nemotron 3 Ultra 550Bは79.1）、GPQA Diamondは38.4（V4 Flashは44.4）。
事前学習12Tトークンは比較対象の中で最小（Nemotronは20T、V4 Flashは32T超）。つまりエージェントコーディングの優位性の大半は、midtrainingのデータ混合・長文拡張・700ステップのRLというポストトレーニングから来ている。そしてRLは1.4Mロールアウトで80.5に到達し、Reflection Beamが必要とした量の約70分の1で済んだとされる。ここが本当の成果であり、同時に最も脆い部分でもある。合成の長時間環境でRLを深く登るレシピは、学習対象外のタスクには均一に転移しない。
料金と、実際の請求額
最初のホスティングは入力$0.20／出力$0.60（100万トークンあたり）、キャッシュ読み取り$0.05。16,000トークンのプロンプト＋2,000トークン出力なら約$0.0044。1日1,000万トークン（入出力8:2）で約$2.80という水準だ。
エージェント用途で効くのはキャッシュだ。同じ16,000トークンのシステムプロンプトを毎ターン送るなら、通常$0.0032が$0.0008になる。入力側で4倍の差は、ツール定義を毎回送るループでは請求額の大半を占める。
誰が試すべきか
今すぐ試す価値があるのは、ターミナル／シェルエージェントを作っていて、弁護士を通さずにファインチューニングしたい人、そして16Kのウィンドウでループが回る人だ。密アーキテクチャはエキスパートルーティングもall-to-all通信もなく、非力なハードでレイテンシが読めるという実利がある。
待つべきは、ホスティングAPIで長文脈が欲しい人、MCP中心のワークフロー、科学計算コード、そして学習元以外が出した数値が必要な人である。
判断を確定させる材料は3つ。モデルを学習していない第三者による別ハーネスでの再測定、16,384トークンを超えて提供するホストの登場、そしてプレビューでない正式チェックポイント。それまでは「見出しは主張、ダウンロードは事実」であり、その間隔こそが今後1か月の評価対象になる。