「Ripple-65B-Preview」エージェントコーディング特化のデンスモデル:必要VRAM 32GB〜

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ricursiveAI/Ripple-65B-Preview |
| まとめページ | Ripple のまとめ(記事1本) |
| 公開日 | 2026-11-04 |
| ライセンス | apache-2.0 |
| 配布形式 | safetensors |
| 出典の種類 | 公開元の一次情報(公式HuggingFaceリポジトリと公式ブログが出典に含まれる) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
Ricursive Intelligenceは、最大1Mのコンテキスト長をサポートし、12兆トークンで事前学習された65Bパラメータのデンスモデル「Ripple-65B Preview」を公開しました。エージェント的なコーディングタスクにおいて強力な成果を発揮するように設計されています。モデルカードによると、エージェント端末操作の指標であるTerminal-Bench 2.1で80.52を記録し、より大規模な米国製オープンウェイトモデルを上回るとされています。
スペック
- アーキテクチャ: デンス Transformer
- パラメータ数: 65B
- アクティブパラメータ数: 65B
- コンテキスト長: 最大1M
- 事前学習トークン数: 12兆トークン
- 特徴: 隠れ層の次元数(d_model)が5120で総層数が80層の「thin-and-deep」なアスペクト比を採用しています。また、Gemma 3N系のアーキテクチャや、過剰割り当てされたアテンションヘッド、FFNアクティベーションクリッピング、ゲート付きアテンション、グローバルNoPE、バリュー残差などを取り入れています。
性能
モデルカードに記載されている、米国製オープンウェイトのフロンティアモデルとのインストラクトモデルベンチマークの比較表は以下の通りです。比較対象はNemotron 3 Ultra 550B、Inkling 975B、Muse Spark Open 816B、Reflection Beam 501Bです。
→ 横にスクロールできます
| Benchmark | Ripple-65B Preview | Nemotron 3 Ultra 550B | Inkling 975B | Muse Spark Open 816B | Reflection Beam 501B |
|---|---|---|---|---|---|
| Model | |||||
| Architecture | Dense | MoE | MoE | MoE | MoE |
| Total params | 65B | 550B | 975B | 816B | 501B |
| Active params | 65B | 55B | 41B | 42B | 23B |
| Pre-training tokens | 12T | 20T | 45T | N/A | 23.8T |
| Knowledge | |||||
| MMLU | 89.6 | 92.0 | 91.3 | 92.6 | 92.4 |
| MMLU-Pro | 84.2 | 86.8 | 87.3 | 87.9 | 76.5 |
| GPQA Diamond | 85.2 | 87.0 | 87.2 | 89.0 | 90.6 |
| Math | |||||
| AIME 2024 | 97.1 | 94.2 | 97.5 | 97.9 | 96.7 |
| AIME 2025 | 98.3 | 94.2 | 91.7 | 100.0 | 99.6 |
| AIME 2026 | 95.0 | 95.4 | 97.1 | 98.3 | 97.7 |
| HMMT Feb 2026 | 90.5 | 80.3 | 86.3 | 93.9 | 93.9 |
| Coding & Agentic | |||||
| Terminal-Bench 2.1 (self-reported) | 80.5 | 56.4 | 63.8 | 76.4 | 80.1 |
| Terminal-Bench 2.1 (Terminus 2) | 80.5 | 55.1 | 56.2 | 78.7 | 70.8 |
| SWE-bench Verified | 76.5 | 71.9 | 77.6 | 78.7 | 81.6 |
| SWE-bench Pro v1.0 | 61.42 | 46.9 | 54.3 | 58.2 | 66.1 |
| SWE-bench Pro v2.0 Hard | 79.1 | 30.7 | 2.0 | 52.3 | 76.5 |
| DeepSWE 1.1 | 44.3 | 0.2 | 1.8 | 60.0 | 43.3 |
| SciCode (Inspect AI) | 39.4 | 44.6 | 46.1 | 58.5 | 49.2 |
| τ³-bench banking | 31.27 | 22.6 | 23.7 | 14.4 | 36.1 |
| AutomationBench (Public) | 36.4 | 8.4 | 14.6 | 42.4 | 39.3 |
| MCP Atlas | 71.67 | 62.2 | 76.0 | 89.2 | 80.8 |
| Safety | |||||
| FORTRESS Adversarial | 83.8 | 79.3 | 78.0 | *94.2 | 92.1 |
| FORTRESS Benign | 95.5 | 89.1 | 95.9 | 82.6 | 86.4 |
| StrongREJECT | 97.5 | 98.2 | 98.6 | 94.7 | 95.8 |
| Instruction Following | |||||
| IFBench | 79.2 | *81.7 | 79.8 | 78.6 | 79.6 |
| Long Context | |||||
| AA-LCR | 75.0 | 65.4 | 78.3 | 80.7 | 78.2 |
モデルカードの公開元測定によれば、Ripple-65B Previewはコーディングやエージェント関連のタスク(Terminal-Bench 2.1やSWE-bench Pro v2.0 Hardなど)において、自身よりはるかに大規模なモデルに匹敵するか上回る高いスコアを記録しています。一方で、一般知識を測るMMLUや科学の難問であるGPQA Diamond、あるいは安全性の指標であるFORTRESS AdversarialやStrongREJECTなどの一部の項目では、Muse Spark OpenやReflection Beamといった比較対象モデルを下回る結果も見られます。万能ではなく、特定のコーディングおよび推論タスクに強みを持つ構成となっています。
得意なこと・想定用途
Ripple-65B Previewは、エージェント的なコーディングや高度な推論タスクに特化して設計されたモデルです。最大1Mのコンテキスト長をサポートしており、長文読解や長大なコードベースを扱う作業にも対応しています。モデルカードやブログによれば、効率的なトレーニングとサービングを目的としてデンス Transformerアーキテクチャを採用しており、小規模なチームによる開発やハードウェアでの効率的な動作を目指して作られています。なお、今回のプレリリース版では特にエージェントコーディングに重点が置かれています。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 64.8B
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 5090 など 32GB | Q2_K | 22.1GB | 26.5GB |
| RTX 6000 Ada / A6000 など 48GB | Q4_K_M | 36.1GB | 43.4GB |
| A100 / H100 80GB クラス | Q8_0 | 64.1GB | 76.9GB |
推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-17 時点): llama.cpp: 登録あり、vLLM: 登録あり、MLX (mlx-lm): 未登録。「未登録」はその時点の登録表に名前が無いという意味で、動かないことの断定ではありません。
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 ファイルサイズは変換版 DevQuasar/ricursiveAI.Ripple-65B-Preview-GGUF の配布ファイルの実測値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。
量子化の圧縮率: Q2_K は実測 2.93 bit/weight で、元の16bitの重みの約18%のサイズです(配布ファイルの実サイズから当サイトが算出)。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
入手方法
Hugging Faceの公式リポジトリから入手することが可能です。ライセンスはApache 2.0が適用されており、商用利用などを含む規定の条件で利用できます。リポジトリではBF16のインストラクトモデルが提供されているほか、NVFP4のチェックポイントやGoogle Colabも用意されています。また、Together AI、GMI Cloud、OpenRouterなどの外部プラットフォームからも提供されています。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-17 | ricursiveAI | NVFP4 | ricursiveAI/Ripple-65B-Preview-NVFP4 | NVFP4 63.9GB(80GB VRAMで動作) |
| 2026-11-17 | DevQuasar | GGUF | DevQuasar/ricursiveAI.Ripple-65B-Preview-GGUF | Q2_K 26.5GB(32GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- ricursiveAI/Ripple-65B-Preview-NVFP4 の量子化: NVFP4 53.3GB
- DevQuasar/ricursiveAI.Ripple-65B-Preview-GGUF の量子化: Q2_K 22.1GB / Q3_K_M 28.9GB / Q4_K_M 36.1GB / Q5_K_M 42.6GB / Q6_K 49.5GB / Q8_0 64.1GB
このほか、上記以外の投稿者による変換版が 43 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
次に読むなら
- GPUのVRAMから探す(このモデルは32GBの階層から動きます) → VRAM別 ローカルモデル早見表
- 同じモデル系統を調べる → Ripple 系統のまとめ(記事1本・変換版2件)
- 入手できる形式と、表に出てくる Q2_K・Q4_K_M・Q8_0 の意味を知る → GGUF形式の解説と対応モデル / NVFP4・MXFP4形式の解説と対応モデル / 量子化・モデル形式の用語集
- 記事に出てくる Terminal-Bench・MMLU・MMLU-Pro の読み方を知る → ベンチマーク用語集
出典
更新履歴
- 2026-11-17: 変換版を「派生版・量子化版」に追記しました: ricursiveAI/Ripple-65B-Preview-NVFP4, DevQuasar/ricursiveAI.Ripple-65B-Preview-GGUF
- 2026-11-17: 動作環境の表を DevQuasar/ricursiveAI.Ripple-65B-Preview-GGUF の実ファイルサイズで更新しました。
- 2026-11-17: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。

