Ein Sprachmodell mit 65 Milliarden Parametern erreicht im Coding-Test TerminalBench 2.1 laut seinem Hersteller 80,52 Punkte und liegt damit vor vier größeren offenen US-Modellen. Das Start-up Ricursive beziffert die Entwicklung auf 32 Millionen Dollar, umgerechnet 27,8 Millionen Euro. Die Gewichte stehen unter Apache-2.0-Lizenz bereit.
Ein Klick · kostenlosDr. Web bei Google bevorzugenMarkieren Sie drweb.de als bevorzugte Quelle. Dann sehen Sie unsere Artikel öfter unter den Top-Meldungen.Jetzt hinzufügenInhalt 4 Abschnitte
Das US-Start-up Ricursive Intelligence hat am 4. November das Sprachmodell Ripple-65B Preview mit frei herunterladbaren Modellgewichten veröffentlicht.[1] Ricursive entwickelt eigentlich eine KI-Plattform für den Chipentwurf, eine interne Variante des Modells treibt diese Plattform an.[1]
Das Wichtigste in Kürze
- Ripple-65B erreicht laut Ricursive 80,52 Punkte in TerminalBench 2.1, das größte Vergleichsmodell Reflection Beam mit 501 Milliarden Parametern kommt auf 80,1.
- Die gesamte Entwicklung kostete nach Schätzung von Ricursive 27,8 Millionen Euro, ein Zehntel des bisherigen offenen Spitzenmodells.
- Eine NVFP4-Variante läuft laut Ricursive auf einem Nvidia DGX Spark.
- Verglichen wird nur mit offenen US-Modellen, fehlende Werte der Konkurrenz hat Ricursive teils selbst gemessen.
Wie holt ein kleines Modell so viel heraus?
Ricursive hat auf eine Mixture-of-Experts-Bauweise verzichtet, bei der pro Token nur ein Teil der Parameter rechnet. Ripple ist ein dichtes Modell: Alle 65 Milliarden Parameter sind bei jedem Token aktiv, verteilt auf 80 Schichten. Das senkt laut Ricursive den Aufwand für die Trainingsinfrastruktur.[1] Das Team wuchs während der Entwicklung von einer auf fünf Personen und kam ohne eigene GPU-Kernel und ohne Quantisierung aus.[2]
Den eigentlichen Hebel sieht Ricursive in kleinen Vorversuchen: Änderungen an Architektur und Daten wurden erst an Modellen mit wenigen Milliarden Parametern getestet. Bei Code erreicht Ripple damit die 16-fache Recheneffizienz der Olmo-3-Vorlage, beim vollen Lauf bis zum 55-Fachen.[2] Hinzu kommt ein sparsames Reinforcement Learning mit 1,4 Millionen Rollouts, etwa 70-mal weniger als bei Reflection Beam.[1]
Die Kosten beziffert Ricursive auf 27,8 Millionen Euro für das gesamte Vorhaben, von der Datenmischung bis zum letzten Training. Das sei ein Zehntel des bisherigen offenen Spitzenmodells, schreibt das Start-up und nennt es eine Schätzung nach bestem Wissen. Für Reflection verweist Ricursive auf Berichte über 130 Millionen Euro Rechenzeit im Monat.[1]
Wie belastbar ist der Spitzenwert?
Verglichen wird mit Reflection Beam (501 Milliarden Parameter), Muse Spark Open von Meta (816 Milliarden), Nvidias Nemotron 3 Ultra (550 Milliarden) und Inkling von Thinking Machines (975 Milliarden).[2] Der Vorsprung vor Reflection Beam beträgt 0,42 Punkte. Ricursive räumt in der Modellkarte selbst ein, dass sich Werte moderner Agenten-Tests schwer reproduzieren lassen und vom Testaufbau abhängen.[2]
Fehlende Werte der Konkurrenz hat Ricursive mit einem eigenen Testaufbau ermittelt. Im offiziellen Aufbau lagen laut Modellkarte fast alle Ergebnisse niedriger, nur Muse Spark Open nicht.[2] Chinesische offene Modelle fehlen im Vergleich ganz. Außerdem ist die Preview nach Angaben des Herstellers nur leicht nachtrainiert.[2]
TerminalBench 2.1: Punkte im Vergleich offener US-Modelle
Ein Vorsprung von 0,42 Punkten ist ein Grund zum Testen, aber keiner zum Umstieg.
Michael Dobler, Herausgeber Dr. Web
Was bedeutet das für Unternehmen im DACH-Raum?
Die Apache-2.0-Lizenz erlaubt den kommerziellen Einsatz und den Betrieb im eigenen Rechenzentrum, Quelltexte und Kundendaten müssen das Haus nicht verlassen. Das erleichtert die DSGVO-Prüfung, ersetzt sie aber nicht. Bei 64,8 Milliarden Parametern braucht das Modell in BF16 rechnerisch rund 130 Gigabyte Speicher, die NVFP4-Variante passt laut Ricursive auf einen Nvidia DGX Spark.[2] Welche lokale Hardware dafür in Frage kommt, zeigen der Ryzen AI Halo mit 192 Gigabyte Speicher und der Lenovo Yoga Pro 9n.
Vor einem Umstieg lohnt ein Praxistest: Lassen Sie das Modell 20 Aufgaben aus Ihren eigenen Projekten lösen und vergleichen Sie das Ergebnis mit dem Modell, das Sie heute nutzen. Halten Sie Geschwindigkeit und Speicherbedarf fest. Eine Übersicht der Sprachmodelle bietet der Vergleich der KI-Textgeneratoren. Wie weit offene Modelle bereits in Konzernen angekommen sind, beschreibt ein früherer Beitrag: US-Konzerne setzen zunehmend auf Open-Source-KI statt auf OpenAI und Anthropic.
Quellen
2 Quellen anzeigenQuellen ausblenden
- Ricursive IntelligenceRipple-65B Preview: U.S. Open-Weight SOTA on Agentic Coding (Blogbeitrag)
- Ricursive IntelligenceModellkarte „Ripple-65B Preview“ (Hugging Face)
Mehr Newshunger?
- Muse Spark Open: Meta stellt ein 816-Milliarden-Modell zum Download bereit
- Thinking Machines veröffentlicht Inkling: Mira Muratis erstes offenes KI-Modell mit 975 Milliarden Parametern
- Nvidia verhandelt laut FT über Reflection AI, den Entwickler des offenen Modells Beam
- Nemotron 3.5 Lightning: Nvidia wählt Tempo statt Spitzenplatz
- Mistral veröffentlicht die Gewichte seines Billionen-Modells Large 4
- US-Konzerne setzen zunehmend auf Open-Source-KI statt auf OpenAI und Anthropic
