Ricursive потратила 32 миллиона долларов на открытую модель кодинга Ripple-65B
Компания-разработчик чипов искусственного интеллекта включилась в гонку открытых моделей для кодинга, представив релиз, проверяющий базовую стоимость автоматизации разработки корпоративного уровня. По заявлению Ricursive Intelligence, совокупные затраты на разработку и обучение составили всего $32 миллиона — эта сумма покрывает все расходы компании на исследования и разработки в рамках данного проекта.
Модель доступна на платформе Hugging Face и распространяется под лицензией Apache 2.0. Обучение велось на наборе данных объемом 12 триллионов токенов. В бенчмарках Ripple-65B Preview продемонстрировала показатель 80,52 на TerminalBench 2.1.
В качестве тестовой обвязки система частично задействует Terminus 2 и частично OpenCode. Хотя отдельные результаты бенчмарков показывают, что Ripple-65B Preview уступает недавно выпущенной Inkling 2 Small, как утверждает Ricursive Intelligence, архитектуру модели значительно проще развернуть на собственных вычислительных мощностях заказчиков.
Инженерные решения проекта отражают целенаправленный расчет на операционную предсказуемость в рамках проприетарных кластеров. Ricursive Intelligence построила Ripple-65B Preview на базе плотной (dense) архитектуры Transformer с 65 миллиардами параметров вместо распространенной схемы со смесью экспертов (mixture-of-experts), оптимизировав конфигурацию под аппаратную инфраструктуру Nvidia. Развертывание плотной 65-миллиардной модели влечет конкретные финансовые компромиссы: непрерывный инференс без разреженного роутинга создает повышенную нагрузку на видеопамять локального оборудования, вынуждая инженерные команды сопоставлять капитальные затраты на собственную инфраструктуру с операционными расходами на сторонние API.
Как это выглядит рядом
Раньше эффективная разработка корпоративных систем опиралась на разреженные архитектуры со смесью экспертов, а Ricursive выкатила тяжелую плотную модель на 65 миллиардов параметров под железо Nvidia. Такой отказ от смеси экспертов упрощает запуск на своих серверах, но перекладывает расходы на видеопамять локального контура. Ставка на плотную сеть заставляет бизнес оплачивать дорогую локальную память ради избавления от сторонних API.
Источник: The Decoder