¿Qué es Ripple-65B Preview?
Ripple-65B Preview es el primer modelo público de Ricursive Intelligence, el laboratorio de diseño de chips de Palo Alto fundado por Anna Goldie y Azalia Mirhoseini, las antiguas investigadoras de Google detrás de AlphaChip. No tiene relación con Recursive, el laboratorio londinense de Richard Socher que hace Flint. Publicado el 4 de noviembre de 2026 bajo Apache 2.0, es un Transformer denso con 64.800 millones de parámetros, preentrenado desde cero con 12 billones de tokens de texto y código, sobre todo en inglés, con un contexto declarado de hasta 1M de tokens. Ricursive lo describe como una variante de uso general del modelo propietario que impulsa su plataforma de diseño de chips.
La arquitectura es estrecha y profunda: 80 capas sobre un modelo de 5.120 de ancho, 80 cabezas de atención y cuatro capas de ventana deslizante (ventana de 1.024 tokens) por cada capa de atención completa. El posentrenamiento fue ligero a propósito y orientado a la programación agéntica. Ricursive afirma que todo el proyecto, desde los experimentos de escalado hasta la ejecución final, costó 32 millones de dólares ($32 million) y que lo entrenó un equipo de una a cinco personas.
Hay cuatro checkpoints en Hugging Face: el modelo instruct en BF16, una versión NVFP4 experimental, el modelo base en BF16 y un modelo borrador DFlash2 para decodificación especulativa. En OpenRouter, GMICloud lo sirve en BF16 a $0.20 por millón de tokens de entrada y $0.60 por millón de tokens de salida.
¿Merece la pena Ripple-65B Preview?
La afirmación de Ripple-65B Preview es poco habitual para su tamaño: en la tabla de la propia Ricursive obtiene 80.5 en Terminal-Bench 2.1, por delante de Reflection Beam (501B, 80.1), Muse Spark Open (816B, 76.4), Inkling (975B, 63.8) y Nemotron 3 Ultra (550B, 56.4). Repetida con el arnés oficial Terminus 2, Ripple mantiene 80.5 mientras Beam cae a 70.8, y en SWE-bench Pro v2.0 Hard marca 79.1 frente a 76.5 de Beam. A 5 de noviembre de 2026 ningún laboratorio independiente había reproducido nada de esto; Artificial Analysis no tenía ficha.
Si se lee la tabla entera, la ventaja se estrecha. Ripple encabeza tres de las 22 filas del modelo instruct, todas de programación agéntica. Queda por detrás de Beam en SWE-bench Verified (76.5 frente a 81.6), SWE-bench Pro v1.0 (61.42 frente a 66.1) y MCP Atlas (71.67 frente a 80.8), y de Muse Spark Open en DeepSWE 1.1 (44.3 frente a 60.0). Muchas puntuaciones rivales son ejecuciones internas de Ricursive, marcadas en cursiva, entre ellas el 2.0 de Inkling en SWE-bench Pro v2.0 Hard, una cifra que parece más un arnés roto que un modelo flojo. La propia ficha califica la comparación de aproximada y dice que las puntuaciones agénticas son difíciles de reproducir.
El modelo base muestra de dónde parte ese posentrenamiento ligero. Las ejecuciones de Ricursive le dan 83.7 en MMLU y 70.9 en HumanEval, por debajo de los 89.1 y 83.8 de Nemotron 3 Ultra, y 10.1 en SimpleQA-Verified, así que retiene pocos datos factuales. Ricursive atribuye la ventaja de Nemotron a los datos sintéticos, pero la lectura práctica es que la fuerza de Ripple está en los bucles de programación, no en el conocimiento general.
Ser denso es el verdadero compromiso. Cada token pasa por los 64.800 millones de parámetros, mientras que Beam activa 23.000 millones, de modo que los pesos en BF16 ocupan unos 130 GB y la receta de servidor de Ricursive necesita dos B200, con 250 tokens por segundo en lotes de 8. La versión NVFP4 experimental ocupa 57.2 GB y apunta a un DGX Spark de 128 GB, pero su script fija el contexto en 131.072 tokens, una octava parte del 1M anunciado. Para un equipo que puede pagar dos GPU de centro de datos y quiere los términos de Apache 2.0, Ripple es el modelo más pequeño en este rango de puntuaciones; en una sola tarjeta de estación de trabajo no cabe en absoluto.
Dónde se gana su sitio
Un ingeniero de plataforma en una empresa de software de 300 personas con un par de B200
Servir internamente un modelo de agente de programación para que el código fuente nunca salga de la red
Ejecuta serve.py de Ricursive con SGLang 0.5.19 en dos B200 y apunta el arnés del agente al endpoint local; el README sugiere 8 peticiones simultáneas por réplica, y un segundo par de GPU añade una segunda réplica. La licencia del modelo no cuesta nada bajo Apache 2.0.
Una responsable de ingeniería que compara modelos alojados para el agente de programación de un equipo de 25 desarrolladores
Reducir el gasto por token en sesiones largas de terminal
A $0.20 por millón de entrada y $0.60 por millón de salida en OpenRouter, 100 millones de tokens de entrada y 10 millones de salida al mes salen por unos $26. Pruébalo primero con los tickets reales del equipo: las puntuaciones destacadas son autodeclaradas y el único proveedor listado es GMICloud.
Un investigador de ML en un laboratorio universitario que estudia el posentrenamiento
Empezar experimentos de aprendizaje por refuerzo desde un modelo base sólido con licencia permisiva
El checkpoint base en BF16 solo tiene preentrenamiento, sin midtraining ni datos sintéticos de preguntas y respuestas, y se publica bajo Apache 2.0, así que se pueden publicar resultados y redistribuir los pesos. Ricursive documenta cada etapa del entrenamiento, desde 12 billones de tokens de preentrenamiento hasta 700 pasos de RL.
Antes de decidirte
- Puesta en marcha
- Para servidores, descarga los pesos BF16 y el borrador DFlash2 y ejecuta serve.py con uv en dos B200 con Linux y CUDA 13; escucha en el puerto 30000 con un contexto de 1.048.576 tokens. Cargarlo con Transformers requiere trust_remote_code porque el modelo usa su propio modeling_ricursive.py.
- Integraciones
- Chat al estilo OpenAI con el razonamiento devuelto en reasoning_content y tool_calls estructuradas mediante los parsers ripple de Ricursive en SGLang. OpenRouter acepta tools, tool_choice y response_format. No hay interruptor para activar o desactivar el razonamiento ni ajuste de esfuerzo de razonamiento.
- Datos y privacidad
- Apache 2.0 para los cuatro checkpoints, sin límite de ingresos ni restricciones de uso más allá de la licencia. Los prompts autoalojados se quedan en tu hardware; las condiciones del servicio alojado son las de GMICloud, y OpenRouter no ofrece enrutamiento dentro de la UE para este modelo.
- Coste a escala
- Los pesos BF16 ocupan unos 130 GB según nuestro cálculo a partir de los 64.800 millones de parámetros, así que cuenta con dos B200; OrcaRouter estima ese par en unos $4,800 al mes. Los archivos NVFP4 suman 57.2 GB para un DGX Spark de 128 GB. En alojado, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $260 al precio de GMICloud en OpenRouter.
- Límites
- Versión preliminar con posentrenamiento ligero; poca memoria factual (10.1 en SimpleQA-Verified para el modelo base). El script de DGX Spark atiende una petición cada vez, con un contexto de 131.072 tokens y sin servidor HTTP, según una reseña del archivo en DEV Community. El README advierte de que las llamadas a herramientas no estrictas pueden añadir campos de argumentos de más.
Lo bueno
- 80.5 en Terminal-Bench 2.1, a la par de modelos hasta 15 veces mayores (autodeclarado)
- Pesos Apache 2.0, incluido el modelo base
- Contexto de 1M de tokens con la receta de servidor de Ricursive en dos B200
- Acceso alojado barato a $0.20 / $0.60 por 1M de tokens
Lo malo
- Aún no hay resultados de benchmarks independientes
- Por detrás de Reflection Beam en SWE-bench Verified, SWE-bench Pro v1.0 y MCP Atlas
- BF16 necesita unos 130 GB; el script de DGX Spark se queda en 131.072 tokens
- Requiere trust_remote_code y los parsers propios de Ricursive para SGLang
Ideal para
Equipos de plataforma con dos B200, o un DGX Spark, que quieren un modelo de agente de programación con licencia Apache 2.0 que puedan alojar y ajustar ellos mismos.
Alternativas a Ripple-65B Preview
Ripple-65B Preview: preguntas frecuentes
- ¿Merece la pena Ripple-65B Preview?
- Ripple-65B defiende con argumentos creíbles que un modelo denso de 65B puede igualar en programación agéntica a modelos abiertos estadounidenses de ocho a quince veces su tamaño, pero hasta ahora todas las puntuaciones son de la propia Ricursive. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Ripple-65B Preview?
- Pesos abiertos gratuitos bajo Apache 2.0. Alojado en OpenRouter (GMICloud) a $0.20 por 1M de tokens de entrada y $0.60 por 1M de tokens de salida.
- ¿Qué inconvenientes tiene Ripple-65B Preview?
- Aún no hay resultados de benchmarks independientes; por detrás de Reflection Beam en SWE-bench Verified, SWE-bench Pro v1.0 y MCP Atlas; bF16 necesita unos 130 GB; el script de DGX Spark se queda en 131.072 tokens; requiere trust_remote_code y los parsers propios de Ricursive para SGLang.
- ¿Para quién es Ripple-65B Preview?
- Equipos de plataforma con dos B200, o un DGX Spark, que quieren un modelo de agente de programación con licencia Apache 2.0 que puedan alojar y ajustar ellos mismos.
- ¿Cuánto cuesta Ripple-65B Preview para un equipo o en producción?
- Los pesos BF16 ocupan unos 130 GB según nuestro cálculo a partir de los 64.800 millones de parámetros, así que cuenta con dos B200; OrcaRouter estima ese par en unos $4,800 al mes. Los archivos NVFP4 suman 57.2 GB para un DGX Spark de 128 GB. En alojado, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $260 al precio de GMICloud en OpenRouter.
- ¿Es Ripple-65B Preview seguro para los datos de la empresa?
- Apache 2.0 para los cuatro checkpoints, sin límite de ingresos ni restricciones de uso más allá de la licencia. Los prompts autoalojados se quedan en tu hardware; las condiciones del servicio alojado son las de GMICloud, y OpenRouter no ofrece enrutamiento dentro de la UE para este modelo.
- ¿Cuáles son las mejores alternativas a Ripple-65B Preview?
- Las alternativas más cercanas que hemos analizado son Beam, Muse Spark Open, Flint y DeepSeek-V4.1-Flash.
Respuestas comprobadas el 5 nov 2026.