一句话看懂：AI芯片设计公司Ricursive Intelligence发布65B参数开源模型Ripple-65B Preview，以Apache 2.0许可开放，在TerminalBench 2.1编程评测中取得80.52分，为目前公开的美国开源模型最好成绩。
事件核心：发生了什么
据The Decoder于2026年11月6日报道，Ricursive Intelligence训练并发布了Ripple-65B Preview。该模型基于12万亿token预训练，采用稠密Transformer架构而非混合专家（MoE）路线，并针对Nvidia硬件做了优化，权重已在Hugging Face以Apache 2.0协议开放。公司称其开发与训练总成本约为3200万美元，涵盖全部研发开支。评测方面，Ripple在TerminalBench 2.1上得分为80.52，测试中分别使用Terminus 2和OpenCode作为harness；但在SWE-Bench Pro v2.0 Hard（79.1%对86.3%）、DeepSWE v1.1（44.3%对72.1%）和MCP Atlas（71.67%对约85%）上落后于同期发布的闭源模型Inkling 2 Small。
为什么重要
在开源与闭源的竞争叙事里，Ripple的价值更多落在“可自主部署的美国开源模型”这一位置，而非全面领先。65B稠密架构、Apache 2.0许可和3200万美元的成本，意味着中等规模的团队也有机会在自有算力上完成微调和推理部署。TerminalBench主要衡量Agent在终端环境中的任务执行能力，这正是AI编程工具从“补全代码”走向“自主操作环境”的关键方向。目前公开信息显示，Ripple在该项评测中领先其他美国开源模型，但其在更偏真实仓库修复的SWE-Bench系列上仍与Inkling 2 Small有差距，因此不宜把它解读为开源已追平闭源。
对用户/开发者/创作者的影响
对开发者而言，Apache 2.0允许较宽松的商用与修改，适合搭建内部Agent编程助手、自动化脚本执行或CI流程中的任务代理；稠密架构对推理显存的要求较MoE更可预期，有利于成本估算。但需注意，上述成绩限定在2026年11月6日前后、特定harness与特定基准条件下，实际项目中的表现仍取决于工具链集成和数据质量。对企业采购方，Ripple可作为一个可审计、可私有化部署的候选，但若任务以复杂代码仓库修复为主，Inkling 2 Small目前的数据更好。对内容创作者，直接关联有限，更多是间接影响编程类AI工具的供给和价格。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是Ricursive是否发布更完整的技术报告和训练细节，以验证3200万美元成本与80.52分成绩的可复现性；二是社区在Hugging Face上的实际部署反馈，尤其是显存占用和推理吞吐；三是Inkling 2 Small是否会跟进开源或降价，以及Ripple后续版本能否缩小SWE-Bench类任务上的差距。
