Qu’est-ce que Ripple-65B Preview ?
Ripple-65B Preview est le premier modèle public de Ricursive Intelligence, le laboratoire de conception de puces de Palo Alto fondé par Anna Goldie et Azalia Mirhoseini, les anciennes chercheuses de Google à l'origine d'AlphaChip. Il n'a aucun lien avec Recursive, le laboratoire londonien de Richard Socher qui produit Flint. Publié le 4 novembre 2026 sous Apache 2.0, c'est un Transformer dense de 64,8 milliards de paramètres, préentraîné de zéro sur 12 000 milliards de tokens de texte et de code, surtout en anglais, avec un contexte annoncé jusqu'à 1M de tokens. Ricursive le présente comme une variante généraliste du modèle propriétaire qui fait tourner sa plateforme de conception de puces.
L'architecture est étroite et profonde : 80 couches sur un modèle de 5 120 de large, 80 têtes d'attention et quatre couches à fenêtre glissante (fenêtre de 1 024 tokens) pour chaque couche d'attention complète. Le post-entraînement a été volontairement léger et orienté vers la programmation agentique. Selon Ricursive, l'ensemble du projet, des expériences de mise à l'échelle au run final, a coûté 32 millions de dollars ($32 million), et une équipe d'une à cinq personnes l'a entraîné.
Quatre checkpoints sont sur Hugging Face : le modèle instruct en BF16, une version NVFP4 expérimentale, le modèle de base en BF16 et un modèle brouillon DFlash2 pour le décodage spéculatif. Sur OpenRouter, GMICloud le sert en BF16 à $0.20 par million de tokens d'entrée et $0.60 par million de tokens de sortie.
Ripple-65B Preview vaut-il le coup ?
L'ambition de Ripple-65B Preview est rare pour sa taille : dans le tableau de Ricursive, il obtient 80.5 sur Terminal-Bench 2.1, devant Reflection Beam (501B, 80.1), Muse Spark Open (816B, 76.4), Inkling (975B, 63.8) et Nemotron 3 Ultra (550B, 56.4). Relancé avec le harnais officiel Terminus 2, Ripple garde 80.5 tandis que Beam tombe à 70.8, et sur SWE-bench Pro v2.0 Hard il affiche 79.1 contre 76.5 pour Beam. Au 5 novembre 2026, aucun laboratoire indépendant n'avait reproduit ces chiffres ; Artificial Analysis n'avait pas de fiche.
À la lecture du tableau complet, l'avance se réduit. Ripple arrive en tête sur trois des 22 lignes du modèle instruct, toutes en programmation agentique. Il est derrière Beam sur SWE-bench Verified (76.5 contre 81.6), SWE-bench Pro v1.0 (61.42 contre 66.1) et MCP Atlas (71.67 contre 80.8), et derrière Muse Spark Open sur DeepSWE 1.1 (44.3 contre 60.0). Beaucoup de scores concurrents sont des runs internes de Ricursive, en italique, dont le 2.0 d'Inkling sur SWE-bench Pro v2.0 Hard, un chiffre qui ressemble davantage à un harnais cassé qu'à un modèle faible. La fiche elle-même qualifie la comparaison de meilleur effort et reconnaît que les scores agentiques sont difficiles à reproduire.
Le modèle de base montre d'où part ce post-entraînement léger. Les runs de Ricursive lui donnent 83.7 sur MMLU et 70.9 sur HumanEval, sous les 89.1 et 83.8 de Nemotron 3 Ultra, et 10.1 sur SimpleQA-Verified : il retient peu de connaissances factuelles. Ricursive attribue l'avance de Nemotron aux données synthétiques, mais en pratique, la force de Ripple tient aux boucles de programmation, pas à la culture générale.
La densité est le vrai compromis. Chaque token traverse les 64,8 milliards de paramètres, là où Beam en active 23 milliards : les poids BF16 occupent donc environ 130 Go et la recette serveur de Ricursive exige deux B200, pour 250 tokens par seconde avec un lot de 8. La version NVFP4 expérimentale pèse 57.2 Go et vise un DGX Spark de 128 Go, mais son script fixe le contexte à 131 072 tokens, un huitième du 1M annoncé. Pour une équipe qui peut s'offrir deux GPU de centre de données et veut les conditions d'Apache 2.0, Ripple est le plus petit modèle dans cette gamme de scores ; sur une seule carte de station de travail, il ne tient pas du tout.
Là où il fait la différence
Un ingénieur plateforme dans un éditeur de logiciels de 300 personnes disposant d'une paire de B200
Servir en interne un modèle d'agent de programmation pour que le code source ne quitte jamais le réseau
Lancez le serve.py de Ricursive avec SGLang 0.5.19 sur deux B200 et pointez le harnais de l'agent vers le point de terminaison local ; le README conseille 8 requêtes simultanées par réplique, et une deuxième paire de GPU ajoute une deuxième réplique. La licence du modèle ne coûte rien sous Apache 2.0.
Une responsable d'ingénierie qui compare des modèles hébergés pour l'agent de programmation d'une équipe de 25 développeurs
Réduire la dépense par token sur les longues sessions de terminal
À $0.20 par million en entrée et $0.60 par million en sortie sur OpenRouter, 100 millions de tokens d'entrée et 10 millions de sortie par mois reviennent à environ $26. Testez-le d'abord sur les vrais tickets de l'équipe : les scores mis en avant sont autodéclarés et le seul hébergeur listé est GMICloud.
Un chercheur en ML dans un laboratoire universitaire qui étudie le post-entraînement
Lancer des expériences d'apprentissage par renforcement à partir d'un modèle de base solide sous licence permissive
Le checkpoint de base en BF16 est uniquement préentraîné, sans midtraining ni données synthétiques de questions-réponses, et publié sous Apache 2.0 : on peut publier les résultats et redistribuer les poids. Ricursive documente chaque étape de l'entraînement, des 12 000 milliards de tokens de préentraînement aux 700 étapes de RL.
Avant de vous engager
- Mise en route
- Pour un serveur, téléchargez les poids BF16 et le brouillon DFlash2, puis lancez serve.py avec uv sur deux B200 sous Linux et CUDA 13 ; il écoute sur le port 30000 avec un contexte de 1 048 576 tokens. Le chargement avec Transformers exige trust_remote_code, car le modèle utilise son propre modeling_ricursive.py.
- Intégrations
- Chat de style OpenAI, avec le raisonnement renvoyé dans reasoning_content et des tool_calls structurés via les parseurs ripple de Ricursive dans SGLang. OpenRouter accepte tools, tool_choice et response_format. Il n'existe ni interrupteur pour activer ou couper le raisonnement, ni réglage de l'effort de raisonnement.
- Données et confidentialité
- Apache 2.0 pour les quatre checkpoints, sans plafond de revenus ni restriction d'usage au-delà de la licence. En auto-hébergement, les prompts restent sur votre matériel ; en hébergé, ce sont les conditions de GMICloud qui s'appliquent, et OpenRouter ne propose pas de routage dans l'UE pour ce modèle.
- Coût à grande échelle
- Les poids BF16 occupent environ 130 Go selon notre calcul à partir des 64,8 milliards de paramètres, prévoyez donc deux B200 ; OrcaRouter estime cette paire à environ $4,800 par mois. Les fichiers NVFP4 totalisent 57.2 Go pour un DGX Spark de 128 Go. En hébergé, 1 milliard de tokens d'entrée et 100 millions de sortie par mois coûtent environ $260 au tarif de GMICloud sur OpenRouter.
- Limites
- Version préliminaire au post-entraînement léger ; faible mémoire factuelle (10.1 sur SimpleQA-Verified pour le modèle de base). Le script DGX Spark traite une requête à la fois, avec un contexte de 131 072 tokens et sans serveur HTTP, d'après une analyse du fichier sur DEV Community. Le README prévient que les appels d'outils non stricts peuvent ajouter des champs d'arguments superflus.
Les points forts
- 80.5 sur Terminal-Bench 2.1, au niveau de modèles jusqu'à 15 fois plus gros (autodéclaré)
- Poids sous Apache 2.0, modèle de base compris
- Contexte de 1M de tokens avec la recette serveur de Ricursive sur deux B200
- Accès hébergé bon marché à $0.20 / $0.60 par 1M de tokens
Les points faibles
- Pas encore de résultats de benchmarks indépendants
- Derrière Reflection Beam sur SWE-bench Verified, SWE-bench Pro v1.0 et MCP Atlas
- Le BF16 demande environ 130 Go ; le script DGX Spark s'arrête à 131 072 tokens
- Exige trust_remote_code et les parseurs SGLang propres à Ricursive
Idéal pour
Les équipes plateforme équipées de deux B200, ou d'un DGX Spark, qui veulent un modèle d'agent de programmation sous Apache 2.0 à héberger et affiner elles-mêmes.
Alternatives à Ripple-65B Preview
Ripple-65B Preview : questions fréquentes
- Ripple-65B Preview vaut-il le coup ?
- Ripple-65B défend de façon crédible l'idée qu'un modèle dense de 65B peut égaler en programmation agentique des modèles ouverts américains huit à quinze fois plus gros, mais tous les scores publiés à ce jour viennent de Ricursive. Nous lui donnons 3.9 sur 5.
- Combien coûte Ripple-65B Preview ?
- Poids ouverts gratuits sous Apache 2.0. Hébergé sur OpenRouter (GMICloud) à $0.20 par 1M de tokens d'entrée et $0.60 par 1M de tokens de sortie.
- Quels sont les inconvénients de Ripple-65B Preview ?
- Pas encore de résultats de benchmarks indépendants; derrière Reflection Beam sur SWE-bench Verified, SWE-bench Pro v1.0 et MCP Atlas; le BF16 demande environ 130 Go ; le script DGX Spark s'arrête à 131 072 tokens; exige trust_remote_code et les parseurs SGLang propres à Ricursive.
- À qui s’adresse Ripple-65B Preview ?
- Les équipes plateforme équipées de deux B200, ou d'un DGX Spark, qui veulent un modèle d'agent de programmation sous Apache 2.0 à héberger et affiner elles-mêmes.
- Combien coûte Ripple-65B Preview pour une équipe ou en production ?
- Les poids BF16 occupent environ 130 Go selon notre calcul à partir des 64,8 milliards de paramètres, prévoyez donc deux B200 ; OrcaRouter estime cette paire à environ $4,800 par mois. Les fichiers NVFP4 totalisent 57.2 Go pour un DGX Spark de 128 Go. En hébergé, 1 milliard de tokens d'entrée et 100 millions de sortie par mois coûtent environ $260 au tarif de GMICloud sur OpenRouter.
- Ripple-65B Preview est-il sûr pour les données de l’entreprise ?
- Apache 2.0 pour les quatre checkpoints, sans plafond de revenus ni restriction d'usage au-delà de la licence. En auto-hébergement, les prompts restent sur votre matériel ; en hébergé, ce sont les conditions de GMICloud qui s'appliquent, et OpenRouter ne propose pas de routage dans l'UE pour ce modèle.
- Quelles sont les meilleures alternatives à Ripple-65B Preview ?
- Les alternatives les plus proches que nous avons testées sont Beam, Muse Spark Open, Flint et DeepSeek-V4.1-Flash.
Réponses vérifiées le 5 nov. 2026.