۱۴۰۵ آبان ۲۶, سه‌شنبه
دلار آمریکا۲۶۷٬۹۰۰▼ ۰٫۳٪یورو۲۹۴٬۸۰۰▼ ۰٫۵۴٪درهم امارات۷۲٬۹۵۳▼ ۰٫۳۷٪سکه امامی۲۵۱٬۴۹۰٬۰۰۰▲ ۰٫۳۷٪طلای ۱۸ عیار (گرم)۲۴٬۶۳۸٬۰۰۰▲ ۰٫۲۹٪انس طلا۳٬۸۶۰ $▼ ۰٫۱۴٪تتر۲۶۹٬۱۹۳▼ ۰٫۰۸٪بیت‌کوین۶۴٬۹۷۱ $▼ ۰٫۳۵٪اتریوم۱٬۸۲۶ $▲ ۰٫۱۲٪سولانا۷۳٫۷۳ $▲ ۳٫۱۲٪اپل۳۵۲٫۷۸ $▼ ۰٫۹۸٪انویدیا۱۵۶٫۱۴ $▼ ۴٫۱۲٪مایکروسافت۵۱۷٫۹۹ $▼ ۱٫۱۲٪آلفابت (گوگل)۲۸۳٫۷۲ $▼ ۴٫۰۷٪تسلا۳۷۹٫۷۴ $▼ ۲٫۶۹٪شاخص نزدک۲۴٬۵۱۰ $▼ ۲٫۴۹٪
نرخ ارز

Ricursive مدل کدنویسی Ripple-65B را با وزن باز منتشر کرد

Ricursive Intelligence مدل Ripple-65B را با مجوز Apache 2.0 منتشر کرد؛ شرکت می‌گوید در کدنویسی عاملی از مدل‌های باز آمریکایی بزرگ‌تر جلوتر است.

کاور گرافیکی DevNA با عدد «۸۰٫۵۲» (نمره ادعایی شرکت)، عنوان Ripple-65B و نشان «OPEN WEIGHTS» برای خبر انتشار مدل کدنویسی شرکت Ricursive Intelligence
کاور گرافیکی DevNA با عدد «۸۰٫۵۲» (نمره ادعایی شرکت)، عنوان Ripple-65B و نشان «OPEN WEIGHTS» برای خبر انتشار مدل کدنویسی شرکت Ricursive Intelligence
فهرست مطالب
  1. مدل Ripple-65B دقیقاً چه چیزی است
  2. ادعای شرکت و دامنه آن
  3. هزینه و روش آموزش
  4. اجرا برای توسعه‌دهنده

Ricursive Intelligence، شرکتی که به‌گفته خودش هوش مصنوعی برای طراحی تراشه می‌سازد، مدل Ripple-65B Preview را با وزن باز و مجوز Apache 2.0 منتشر کرد. مدل ۶۵ میلیارد پارامتر دارد و شرکت می‌گوید در کدنویسی عاملی (agentic coding) در میان مدل‌های باز آمریکایی بهترین نتیجه را گرفته است.

یک نکته درباره نام: Ricursive Intelligence با Recursive، سازنده مدل Flint که پیش‌تر درباره‌اش نوشتیم، دو شرکت جدا هستند.

مدل Ripple-65B دقیقاً چه چیزی است

طبق نوشته رسمی شرکت، Ripple نسخه‌ای عمومی از مدل اختصاصی‌ای است که پلتفرم طراحی تراشه Ricursive را اجرا می‌کند. معماری آن Transformer متراکم (dense) است، نه ترکیب خبرگان (MoE): ۸۰ لایه، d_model برابر ۵۱۲۰، پیش‌آموزش از صفر روی ۱۲ تریلیون توکن و پنجره متنی تا یک میلیون توکن.

کارت مدل سه چیز را فهرست می‌کند: مدل دستوری BF16، نسخه NVFP4 و مدل پایه BF16. شرکت پس‌آموزش را «نسبتاً سبک» و متمرکز بر کدنویسی عاملی توصیف می‌کند.

ادعای شرکت و دامنه آن

Ricursive می‌گوید Ripple در TerminalBench 2.1 نمره ۸۰٫۵۲ گرفته است. جدول زیر مقایسه خود شرکت است:

مدل نمره TerminalBench 2.1
Ripple-65B Preview ۸۰٫۵۲
Reflection Beam 501B ۸۰٫۱
Meta Muse Spark Open 816B ۷۶٫۴
Thinking Machines Inkling 975B ۶۳٫۸
NVIDIA Nemotron 3 Ultra 550B ۵۶٫۴

مقایسه فقط مدل‌های باز آمریکایی را پوشش می‌دهد. Terminal-Bench 2.1 بنچمارکی مستقل از Ricursive است (صفحه‌اش تاریخ عرضه ۶ می ۲۰۲۶ را نشان می‌دهد) و نام Ripple در آن صفحه نیست. خود شرکت هم در کارت مدل می‌پذیرد بازتولید نمره‌های عاملی دشوار است و نتایجش «تلاشی در حد توان برای مقایسه منصفانه» است. در برخی آزمون‌ها هم جلو نیست؛ مثلاً در SWE-bench Verified نمره ۷۶٫۵ را ثبت کرده و Beam ۸۱٫۶ دارد.

RuntimeWire هم نتیجه را مشروط می‌آورد و می‌نویسد اگر اجراهای مستقل نمره را تأیید کنند، توسعه‌دهنده‌ها مدلی باز و قابل استقرار محلی خواهند داشت؛ یعنی فعلاً ادعای شرکت است. تحریریه DevNA هم تا زمان انتشار گزارش مستقلی از اجرای مجدد این آزمون ندیده است.

هزینه و روش آموزش

شرکت می‌گوید کل هزینه پژوهش و توسعه، از آزمایش‌های مقیاس تا اجرای نهایی، ۳۲ میلیون دلار بوده و آن را «تا جایی که می‌داند» حدود یک‌دهم هزینه مدل باز پیشین در کدنویسی عاملی می‌داند. بقیه ادعاها هم از خود شرکت است:

  • ۱٫۴ میلیون اجرای یادگیری تقویتی (rollout)، حدود ۷۰ برابر کمتر از Reflection Beam.
  • بهره‌وری محاسباتی (MFU) حدود ۴۰ درصد، بدون کرنل سفارشی و بدون کوانتیزاسیون.
  • رشد تیم از ۱ به ۵ نفر در طول توسعه.
  • بهبود ۱۶ برابری بهره‌وری محاسباتی روی کد نسبت به سری آزمایشی Olmo 3.

درباره ۱۶ برابر، دو متن شرکت دقیقاً هم‌عبارت نیستند. نوشته معرفی آن را در مقیاس ۴ میلیارد پارامتری می‌آورد و انتظار دارد با بزرگ‌تر شدن مقیاس بیشتر شود؛ کارت مدل می‌گوید تا ۵۵ برابر برای اجرای نهایی.

اجرا برای توسعه‌دهنده

وزن‌ها در Hugging Face هستند و شرکت می‌گوید Together AI، GMI Cloud و OpenRouter هم میزبانی می‌کنند؛ Fireworks قرار بود همان روز فعال شود. این‌ها را از متن شرکت نقل می‌کنیم و خودمان آزمایش نکرده‌ایم.

برای اجرای محلی، کارت می‌گوید مدل ۶۵ میلیاردی روی سخت‌افزار مصرفی مثل NVIDIA DGX Spark جا می‌شود و برای همین یک چک‌پوینت NVFP4 و یک Colab ارائه شده است. صفحه NVFP4 آن را «آزمایشی» می‌نامد و می‌گوید فقط لایه‌های MLP کوانتیزه شده‌اند. منبع از لپ‌تاپ حرفی نمی‌زند و ما هم حدس نمی‌زنیم.

مخزن فایل‌های modeling_ricursive.py و configuration_ricursive.py را همراه دارد که در auto_map ثبت شده‌اند؛ یعنی مدل کد سفارشی دارد. کارت درباره trust_remote_code توضیحی نداده است. سرور پیشنهادی در README مخزن بر پایه SGLang 0.5.19 است و روی دو GPU مدل B200 با لینوکس و CUDA 13 اجرا می‌شود:

CUDA_VISIBLE_DEVICES=0,1 uv run --script serve.py \
  --model-path /path/to/target \
  --speculative-draft-model-path /path/to/draft

کارت سرعت ۲۵۰ توکن بر ثانیه روی دو B200 با اندازه دسته (batch) برابر ۸ را گزارش می‌کند. شرکت می‌گوید این عدد پیش از کوانتیزاسیون یا کرنل سفارشی است. پیش از استفاده در پروژه‌های جدی، مدل را روی کار خودتان بسنجید و ارزیابی مستقل را دنبال کنید. اگر تازه با اجرای مدل‌ها روی سیستم خودتان آشنا می‌شوید، آموزش Ollama نقطه شروع ساده‌تری است.

برای زمینه، مدل Beam شرکت Reflection AI را هم پیش‌تر پوشش داده‌ایم؛ مدلی که Ricursive آن را معیار مقایسه گرفته است.

دیدگاه‌ها

۰/۲٬۰۰۰

دیدگاه‌ها پس از بررسی تحریریه منتشر می‌شوند. توهین، تبلیغ و لینک‌های بی‌ربط حذف می‌شوند؛ نقد فنی و مستند همیشه خوش‌آمد است.

$ comments --count۰

هنوز کسی چیزی ننوشته. اولین دیدگاه را شما ثبت کنید.

مطالب مرتبط