Ripple-65B Preview

Quellenstand: 6. November 2026. Aussagen des Herausgebers und Drittversuche sind getrennt; kein eigener AIDreamHub-Benchmark.

Modell statt vollständiger Agent

Der dichte 65B-Transformer wurde für agentisches Coding nachtrainiert. Es gibt BF16-Instruct, NVFP4 und ein separates Basismodell. Der verlinkte BF16-Stand ist nicht mit Quantisierung oder Hosted-Endpunkt gleichzusetzen.

Tools, Repository-Zustand, Berechtigungen, Executor und Tests muss das Gesamtsystem liefern. Ein Modellscore erzeugt weder eine sichere Shell noch einen geprüften Pull Request. Evaluieren Sie es innerhalb eines konkreten Arbeitsablaufs.

Von AIDreamHub aufgenommene offizielle Projektseite, kein lokal ausgeführtes Produkt.

Launchwerte mit Harness lesen

Der Herausgeber nennt etwa 80,5 auf Terminal-Bench 2.1 und 76,5 auf SWE-bench Verified. Er weist auf gemischte offizielle und eigene Vergleichswerte und Harness-Einflüsse hin. Das ist keine universelle Rangliste aller Agenten.

Die aktuelle Karte nennt 1Mi, also 1.048.576 Tokens Kontext. Maximale Unterstützung bedeutet weder niedrige Kosten noch gleiche Genauigkeit. Prüfen Sie Suche und Kürzung bei realistischen Längen statt pauschal ganze Repositories zu senden.

Anleitung: Hosting oder lokalen Weg wählen

Ein Hosted-Pilot trennt Modellprüfung vom Serving-Aufwand. GMI dokumentiert den unten gezeigten OpenAI-kompatiblen Zugriff mit Schlüssel aus der Umgebung. Prüfen Sie Datenverarbeitung und Berechtigungen vor der Übermittlung privaten Codes.

Lokal wählen Sie BF16 oder NVFP4 und passende Hardwareanweisungen, prüfen eigenen Code und pinnen Revisionen. Beginnen Sie kurz und speichern Sie Toolspuren, Tests und Ressourcen. Wir haben weder lokale Inferenz noch Launchwerte reproduziert.

curl https://api.gmi-serving.com/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $GMI_API_KEY" --data '{"model":"gmicloud/Ripple-65B-Preview","messages":[{"role":"user","content":"Explain the failing test before proposing a patch."}],"max_tokens":800}'

Nützliche Lehre aus dem Anbieterbericht

GMI beschreibt kleine Fehler-Repositories und simulierte Vorfälle mit Fallen und menschlichem Freigabetor. Enthalten sind ein einzelner Lauf mit 100 Agenten und kleinere Wiederholungen. Anbieterwerte auf dem eigenen Endpoint belegen keine beliebige Produktionszuverlässigkeit.

Übertragbar ist die Bewertung: externe Tests entscheiden, die eigene Erfolgserzählung des Modells erhält kein Gewicht. Freigabe wurde vom Tool erzwungen. Wenige Injektionstests begründen keine allgemeine Immunität; Rechte und Prüfung gehören außerhalb des Modells.

Vor dem Download Speicher rechnen

65 Milliarden Parameter zu zwei Byte ergeben etwa 130 GB Rohgewichte; ideale vier Bit etwa 32,5 GB. Das sind dezimale Rechenbeispiele, keine gemessenen Maschinenanforderungen. Metadaten, Aktivierungen, Puffer und Kontext kommen dazu.

Ein DGX-Spark-Beispiel verspricht nichts für jeden Laptop. Dokumentieren Sie Promptlänge, Parallelität, Quantisierung, erste Tokenzeit und Kosten je akzeptierter Aufgabe gemeinsam. Langer Kontext kann den Engpass verändern.

Falsche Erfolgsmeldungen entdecken

Nutzen Sie einen festen fehlschlagenden Test im wegwerfbaren Repository. Verlangen Sie Patch, echte Testergebnisse und Diff. Ergänzen Sie Aufgaben ohne Änderungsbedarf, ungültige Toolantworten und verweigerte Aktionen. Produktionsänderung braucht passende menschliche Freigabe.

Vergleichen Sie Ihr aktuelles Modell mit denselben Tools, Aufgaben und Budgets; feste Skripte bleiben eine Alternative. Zählen Sie Wiederholungen und verworfene Patches. Schneller Code kann teuer werden, wenn Menschen ständig reparieren.

Lizenz und Entscheidung

Die Veröffentlichung trägt Apache-2.0. Hosting, Integrationen und Quellcoderechte bleiben separat. Preise und Grenzen können sich ändern; Launchpreise sind keine langfristige Kostenzusage.

Prüfen Sie zuerst akzeptierte Arbeit in Ihrem bestehenden Loop. Danach lohnt sich die Entscheidung über lokale Hardware und Wartung. Die Handzeichnung erläutert Kapazitätsplanung, keine Leistungsdaten.

Fragen vor dem Einsatz

Passt vier Bit auf eine 32-GB-GPU?

Schon ideale Rohgewichte liegen rechnerisch bei etwa 32,5 GB, vor Zusatzbedarf. Das ist keine Passgarantie; prüfen Sie den konkreten Runtime-Pfad mit Reserven.

Beweisen Scores den besten Coding-Agenten?

Nein. Modell und Harness sind verschiedene Bestandteile. Nutzen Sie eigene Repositories, Verträge und feste Budgets statt eine Rangliste zu verallgemeinern.

Ersetzt ein erfolgreicher Toolaufruf Freigabe und Tests?

Nein. Der Executor erzwingt Rechte, prüft Argumente und den tatsächlichen Zustand. Auch Freigabedemos nutzten ein echtes Tool-Gate.

Geprüfte Quellen

• Ricursive Intelligence — model card
• Ricursive Intelligence — launch and evaluation conditions
• GMI Cloud — provider field tests

Ähnliche Werkzeuge finden

• Coding-Werkzeuge
• Textmodelle