大模型

Ripple-65B 登顶:Agent 编程真变了吗?

Ripple-65B 宣称在美国市场的开放权重模型中达到 Agentic Coding SOTA。本文不复述榜单,而是给出可复现的仓库级测试方法,检查完成率、成本、工具调用与人工接管次数。

字号

Ripple-65B 宣称登顶美国市场开放权重模型的 Agentic Coding 榜单。真正值得看的不是名次,而是它能否以合理成本,稳定完成真实开发任务。

根据项目介绍,Ripple-65B 是一款面向智能体编程任务的 65B 参数模型。项目页称,它在美国市场的开放权重模型中达到 Agentic Coding SOTA。

原始介绍:https://www.ricursive.com/ripple

这项信息来自项目方自述,不能直接等同于第三方验证。现阶段需要继续确认:它支持哪些任务、使用什么测试集,以及推理成本和部署要求是多少。

Agent 编程真正比拼的,不是单次能否生成代码,而是能否稳定完成“读仓库—改代码—运行测试—定位失败—继续修复”的闭环。

Ripple-65B 的 SOTA 声明意味着什么

原始素材只提供了项目介绍页,没有提供 Hacker News 帖子的链接、得分或评论数量。因此,“29 分和 15 条评论”无法从给定来源核验,已删除。

讨论的核心,也不该只是 65B 这个参数规模。

开发者更关心三件事:

  • 工具调用是否可靠,尤其是终端、编辑器和测试框架之间的调用;
  • 面对大型仓库时,能否找到相关文件并保持任务上下文;
  • 出错后能否自行恢复,而不是把问题交还给用户。

这恰好暴露了 Agentic Coding 榜单与日常开发之间的差距。闭源产品通常把模型、工具、运行时和人工兜底封装在一起。开放权重模型则往往需要开发者自己拼装推理服务、工具协议、提示词和状态管理。

因此,“开放权重 SOTA”描述的是某项测试里的排名,不等于“个人开发者装上就能获得完整 Agent 体验”。

Ripple-65B 值得关注,因为它把竞争推进到了工作流层:模型不只回答代码问题,还要主动使用工具完成任务。

65B 面向哪类编程任务

Ripple-65B 面向智能体编程任务。这个定位比通用代码补全模型多了一层要求:模型必须根据环境反馈调整行为。

一个典型的 Agentic Coding 任务可能是:

  1. 阅读 GitHub issue;
  2. 定位相关模块;
  3. 修改代码;
  4. 运行测试;
  5. 根据报错继续修复。

这里的关键不是某一段代码是否漂亮,而是工具调用能否形成闭环。

如果模型只能生成补丁,它更接近代码生成器。如果它能执行 pytest、读取 traceback、修改错误文件并再次测试,才接近编程 Agent。

65B 的优势可能来自特定训练和推理方案,而不是单纯的参数规模。它更适合被理解为一个候选底座:研究者和平台团队可以在其上构建工具调用、仓库检索与测试修复流程。

但从现有公开信息看,要确认它究竟解决了哪类任务,仍需要更多可复现细节:

  • 支持哪些工具和协议;
  • 是否原生输出稳定的结构化调用;
  • 上下文长度是多少;
  • 并行工具调用是否可靠;
  • 失败后的恢复策略是什么。

没有这些信息,SOTA 声明很难直接转化成工程结论。

开放权重 SOTA,不等于生产成本最低

榜单与生产成本之间,至少隔着四道门槛。

推理算力

65B 模型不适合只看下载体积。实际运行成本取决于量化格式、显存占用、推理框架、上下文长度和输出 token 数。

在单张消费级 GPU 上勉强跑起来,和在高并发服务中保持可接受的延迟,是两件事。

部署门槛

开放权重的价值是可控,不等于开箱即用。开发者仍要处理:

  • 模型格式与量化;
  • 推理服务配置;
  • 工具调用模板;
  • 上下文缓存;
  • 失败重试与权限控制。

这也是它与 Claude Code、Cursor 等产品体验差异较大的地方。后者提供的是完整工作流,而不只是模型 endpoint。

上下文长度

真实仓库修复很少只需要几千 token。Agent 往往要同时保留 issue、历史对话、检索到的代码、文件内容、测试输出和工具结果。

标称长上下文也不代表每个 token 都同样有效。模型能否在大量代码里准确定位信息,需要通过仓库级任务验证。

工具调用稳定性

一次错误选择,可能是选错目录,也可能是执行了不该执行的命令。

所以工具调用不能只看成功率。还要看:

  • 参数是否合法;
  • 是否会重复执行危险操作;
  • 是否能理解工具报错;
  • 是否知道何时停止。

Agent 编程的成本,也不是只有 GPU 账单。人工接管、重复运行测试、审查错误补丁,都要算进去。

用真实仓库测,比看单次榜单更难

如果要判断 Ripple-65B 是否真的改变 Agent 编程,我建议做一个足够笨、但可复现的实验。

选同一个 GitHub issue,最好具备这些条件:

  • 有明确 bug 描述;
  • 能找到对应测试;
  • 修复范围有限;
  • 可以在本地隔离环境运行;
  • 不依赖付费或私密服务。

然后让模型执行固定流程:修改代码、运行测试、读取失败输出、继续修复。每个任务设置固定步数,避免无限循环,也避免人为替模型补关键提示。

实验至少要记录:

指标 记录方式
是否定位正确文件 检查补丁和执行轨迹
首次测试通过率 首次运行测试即通过的任务比例
最终完成率 在步数上限内通过全部测试的任务比例
人工接管次数 开发者需要纠正工具或方向的次数
总 token 与推理时间 从任务开始到结束累计计算
总成本 模型费用或本地算力成本
安全违规次数 是否执行了越权或危险命令

同一套任务,可以分别交给 Ripple-65B、Claude 和其他模型。比较时不能混用不同权限配置。

比如,低成本模型可以给完整工具权限,但遇到危险命令必须拦截。Claude 若使用更强的检索或上下文策略,也应把这些额外成本记录下来。

我更倾向于连续跑 20 到 50 个 issue,而不是只挑一个能成功的仓库。单次成功很适合做演示,却无法说明稳定性。这里的 20 到 50 是测试建议,不是项目方给出的数据。

测试代码可以先保持最小:

import subprocess
import sys

def run_tests(repo: str, test_command: list[str]) -> tuple[bool, str]:
    result = subprocess.run(
        test_command,
        cwd=repo,
        capture_output=True,
        text=True,
        timeout=300,
    )
    output = result.stdout + result.stderr
    return result.returncode == 0, output

if __name__ == "__main__":
    passed, output = run_tests(".", [sys.executable, "-m", "pytest", "-q"])
    print(output)
    raise SystemExit(0 if passed else 1)

这段代码本身不负责调用模型。模型通过工具执行脚本,读取退出码和输出,再决定是否修改代码。这样测到的才是 Agent 工作流,而不是模型在聊天框里“模拟思考”。

最后再算一个开发者更关心的指标:

有效任务成本 = 模型推理成本 + 本地执行成本 + 人工接管成本

如果 Ripple-65B 的完成率更高,但每个成功任务需要开发者修三次,那么它对个人开发者的实际价值,可能低于完成率稍低、但更稳定的模型。

编辑思考

Ripple-65B 最重要的信号,不是“65B”击败了多少参数更大的模型,而是开放权重模型的竞争单位正在改变:从“参数与单项 benchmark”转向“推理成本、工具协议、上下文管理和失败恢复”能否组成可部署的 Agent 工作流。过去,开放模型常被拿来证明可定制性;现在开发者更在意它能否少让人接管。这和 Claude Code 一类闭源产品推动的变化有关,也和项目页的信息披露方式有关。

我的预测是,开放权重 Agent 不会只靠一个模型赢。模型、vLLM 或其他推理框架、工具调用层、测试框架与人工审批机制会一起形成产品差异。不过,现有 SOTA 声明仍缺少足够任务细节和成本数据;不同仓库、工具权限和推理配置下的第一名,很难直接横向比较。现阶段更可信的结论不是“Ripple 已经改变 Agent 编程”,而是它把问题推到了更值得比较的地方:到底有多少任务能真正跑完。

来源: https://www.ricursive.com/ripple