Ripple-65B Preview：65B开源模型TerminalBench 2.1拿分，R&D仅32M
\n Ricursive Intelligence is releasing Ripple-65B Preview, a 65-billion-parameter open-weight language model that the company says achieves the top score among open-source
All guides · Full article is primarily Simplified Chinese; use the English summary below for quick takeaways (GEO-friendly).
# Ripple-65B Preview：65B开源模型TerminalBench 2.1拿分，R&D仅32M
Ricursive Intelligence 近日发布了 Ripple-65B Preview，这是一款 65 亿参数的开源权重语言模型，在 TerminalBench 2.1 编码基准上取得 80.52 分，成为美国开源模型中表现最强的之一。模型采用纯稠密 Transformer 架构，R&D 总成本仅 3200 万美元，训练数据量为 12 万亿个 token，上下文长度可达 100 万 token。
核心性能表现
| 基准测试 | Ripple-65B Preview | Inkling 2 Small |
|---|---|---|
| SWE-Bench Pro v2.0 Hard | 79.1% | 86.3% |
| DeepSWE v1.1 | 44.3% | 72.1% |
| MCP Atlas | 71.67% | 85.4% |
该模型在 TerminalBench 2.1 中得分最高，部分依赖 Terminus 2 和 OpenCode 作为 harness。开发者们常将 AI 编程工具（如 Cursor）与开源模型结合使用，Ripple-65B Preview 的推理能力对本地代理编码任务有直接帮助，尤其适合需要快速部署且成本控制的用户。模型支持 Nvidia 硬件优化，并提供 BF16、NVFP4 和基础版本。
为什么这个模型值得关注
Ripple-65B Preview 强调全美开源权重模型中的领跑地位。它不是 MoE 架构，而是标准稠密 Transformer，在硬件部署上更具优势。开发者通过 Cursor Pro 或类似工具调用这类模型时，可直接在终端代理中实现代码生成、调试和修复流程。R&D 成本仅 3200 万美元的新闻，让许多工程团队重新评估“买模型” vs “本地部署”的方案。
模型可在 Hugging Face、Together AI、GMI Cloud 和 OpenRouter 上获得，Apache 2.0 许可下完全开源。这意味着你既能本地运行，也能通过 API 服务商接入，灵活性远超封闭权重模型。
Cursor 等工具的用户决策参考
如果你正在使用 Cursor 订阅 或 Cursor Pro，Ripple-65B Preview 的 65B 参数规模与 Claude Code 订阅的模型对比时，推理速度和上下文处理能力更接近本地优化版。开发者可通过以下表格快速评估：
| 项目 | Ripple-65B Preview（本地/API） | 主流闭源 API（如 Claude Code） | 推荐场景 |
|---|---|---|---|
| 参数规模 | 65B | 几百亿到上千亿 | 预算有限本地部署 |
| 训练成本 | 仅 3200 万美元 | 数十亿+ | R&D 控制型项目 |
| 基准（TerminalBench 2.1） | 80.52 分 | 视模型而定 | Agent 编码任务 |
| 部署方式 | Nvidia 硬件优化，本地可跑 | 云端 API 为主 | 跨平台灵活性 |
通过 /channels?platform=cursor 可查看 Cursor 平台支持的模型切换方案。想对比 Windsurf 价格、Claude Code 订阅 或 AI 编程工具比价，进一步查看 /official-prices 和 /compare 页面。
延伸阅读
- Cursor 订阅与编码 API 对比指南
- 官方价格与订阅详情
- Cursor 平台支持模型列表
- API 流量检测与中转方案
- AI 编程工具本地部署教程
- Cursor Business 团队版资源
- 多模板与架构速查表
- 免费开源模型生态速览
风险与边界
开源模型虽然技术成熟，但实际编码表现受硬件、prompt 设计和迭代次数影响，可能无法完全替代闭源 API 的稳定性。终端代理任务中的幻觉或上下文超限风险依然存在，建议通过 Cursor 等工具结合人工审核后再提交。以下非法律意见声明：本文仅供参考，不构成任何商业或技术建议。