O que é Ripple-65B Preview?
Ripple-65B Preview é o primeiro modelo público da Ricursive Intelligence, o laboratório de design de chips de Palo Alto fundado por Anna Goldie e Azalia Mirhoseini, as ex-pesquisadoras do Google por trás do AlphaChip. Não tem relação com a Recursive, o laboratório londrino de Richard Socher que faz o Flint. Lançado em 4 de novembro de 2026 sob Apache 2.0, é um Transformer denso com 64,8 bilhões de parâmetros, pré-treinado do zero com 12 trilhões de tokens de texto e código, principalmente em inglês, com contexto declarado de até 1M de tokens. A Ricursive o descreve como uma variante de uso geral do modelo proprietário por trás da sua plataforma de design de chips.
A arquitetura é estreita e profunda: 80 camadas num modelo de 5.120 de largura, 80 cabeças de atenção e quatro camadas de janela deslizante (janela de 1.024 tokens) para cada camada de atenção completa. O pós-treinamento foi leve de propósito e voltado para programação agêntica. A Ricursive diz que o projeto inteiro, dos experimentos de escala à execução final, custou 32 milhões de dólares ($32 million) e que uma equipe de uma a cinco pessoas o treinou.
Há quatro checkpoints no Hugging Face: o modelo instruct em BF16, uma versão NVFP4 experimental, o modelo base em BF16 e um modelo de rascunho DFlash2 para decodificação especulativa. No OpenRouter, a GMICloud o serve em BF16 a $0.20 por milhão de tokens de entrada e $0.60 por milhão de tokens de saída.
Ripple-65B Preview vale a pena?
A proposta do Ripple-65B Preview é incomum para o seu tamanho: na tabela da própria Ricursive ele marca 80.5 no Terminal-Bench 2.1, à frente de Reflection Beam (501B, 80.1), Muse Spark Open (816B, 76.4), Inkling (975B, 63.8) e Nemotron 3 Ultra (550B, 56.4). Rodando de novo no harness oficial Terminus 2, o Ripple mantém 80.5 enquanto o Beam cai para 70.8, e no SWE-bench Pro v2.0 Hard ele faz 79.1 contra 76.5 do Beam. Até 5 de novembro de 2026 nenhum laboratório independente tinha reproduzido nada disso; o Artificial Analysis não tinha página para ele.
Lendo a tabela inteira, a vantagem diminui. O Ripple lidera três das 22 linhas do modelo instruct, todas de programação agêntica. Fica atrás do Beam no SWE-bench Verified (76.5 contra 81.6), no SWE-bench Pro v1.0 (61.42 contra 66.1) e no MCP Atlas (71.67 contra 80.8), e atrás do Muse Spark Open no DeepSWE 1.1 (44.3 contra 60.0). Muitas notas dos rivais são execuções internas da Ricursive, marcadas em itálico, incluindo o 2.0 do Inkling no SWE-bench Pro v2.0 Hard, um número que parece mais um harness quebrado do que um modelo fraco. O próprio card chama a comparação de melhor esforço e diz que resultados agênticos são difíceis de reproduzir.
O modelo base mostra de onde parte esse pós-treinamento leve. As execuções da Ricursive dão a ele 83.7 no MMLU e 70.9 no HumanEval, abaixo dos 89.1 e 83.8 do Nemotron 3 Ultra, e 10.1 no SimpleQA-Verified, ou seja, ele guarda pouco conhecimento factual. A Ricursive atribui a vantagem do Nemotron a dados sintéticos, mas na prática a força do Ripple está nos ciclos de programação, não no conhecimento geral.
Ser denso é a verdadeira troca. Cada token passa por todos os 64,8 bilhões de parâmetros, enquanto o Beam ativa 23 bilhões, então os pesos em BF16 ocupam cerca de 130 GB e a receita de servidor da Ricursive exige duas B200, com 250 tokens por segundo em lotes de 8. A versão NVFP4 experimental tem 57.2 GB e mira um DGX Spark de 128 GB, mas o script dela fixa o contexto em 131.072 tokens, um oitavo do 1M anunciado. Para uma equipe que pode pagar duas GPUs de data center e quer os termos da Apache 2.0, o Ripple é o menor modelo nessa faixa de resultados; numa única placa de workstation ele simplesmente não cabe.
Onde ele se destaca
Um engenheiro de plataforma numa empresa de software de 300 pessoas com um par de B200
Servir internamente um modelo de agente de programação para que o código-fonte nunca saia da rede
Rode o serve.py da Ricursive com SGLang 0.5.19 em duas B200 e aponte o harness do agente para o endpoint local; o README sugere 8 requisições simultâneas por réplica, e um segundo par de GPUs adiciona uma segunda réplica. A licença do modelo não custa nada sob Apache 2.0.
Uma gerente de engenharia comparando modelos hospedados para o agente de programação de uma equipe de 25 desenvolvedores
Reduzir o gasto por token em sessões longas de terminal
A $0.20 por milhão de entrada e $0.60 por milhão de saída no OpenRouter, 100 milhões de tokens de entrada e 10 milhões de saída por mês saem por cerca de $26. Teste primeiro com os tickets reais da equipe: os resultados de destaque são autodeclarados e o único provedor listado é a GMICloud.
Um pesquisador de ML num laboratório universitário que estuda pós-treinamento
Começar experimentos de aprendizado por reforço a partir de um modelo base forte com licença permissiva
O checkpoint base em BF16 tem só pré-treinamento, sem midtraining nem dados sintéticos de perguntas e respostas, e sai sob Apache 2.0, então é possível publicar resultados e redistribuir os pesos. A Ricursive documenta cada etapa do treinamento, de 12 trilhões de tokens de pré-treinamento a 700 passos de RL.
Antes de decidir
- Configuração
- Em servidor, baixe os pesos BF16 e o rascunho DFlash2 e rode o serve.py com uv em duas B200 com Linux e CUDA 13; ele escuta na porta 30000 com contexto de 1.048.576 tokens. Carregar com Transformers exige trust_remote_code, porque o modelo usa o próprio modeling_ricursive.py.
- Integrações
- Chat no estilo OpenAI, com o raciocínio devolvido em reasoning_content e tool_calls estruturadas pelos parsers ripple da Ricursive no SGLang. O OpenRouter aceita tools, tool_choice e response_format. Não há chave para ligar ou desligar o raciocínio nem ajuste de esforço de raciocínio.
- Dados e privacidade
- Apache 2.0 para os quatro checkpoints, sem teto de receita nem restrições de uso além da licença. Prompts auto-hospedados ficam no seu hardware; no serviço hospedado valem os termos da GMICloud, e o OpenRouter não oferece roteamento dentro da UE para ele.
- Custo em escala
- Os pesos BF16 ocupam cerca de 130 GB pela nossa conta a partir dos 64,8 bilhões de parâmetros, então planeje duas B200; a OrcaRouter estima esse par em cerca de $4,800 por mês. Os arquivos NVFP4 somam 57.2 GB para um DGX Spark de 128 GB. Hospedado, 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de $260 pelo preço da GMICloud no OpenRouter.
- Limites
- Versão preliminar com pós-treinamento leve; pouca memória factual (10.1 no SimpleQA-Verified para o modelo base). O script do DGX Spark atende uma requisição por vez, com contexto de 131.072 tokens e sem servidor HTTP, segundo uma análise do arquivo no DEV Community. O README avisa que chamadas de ferramentas não estritas podem incluir campos de argumentos a mais.
O que é bom
- 80.5 no Terminal-Bench 2.1, no nível de modelos até 15 vezes maiores (autodeclarado)
- Pesos sob Apache 2.0, incluindo o modelo base
- Contexto de 1M de tokens com a receita de servidor da Ricursive em duas B200
- Acesso hospedado barato a $0.20 / $0.60 por 1M de tokens
O que não é
- Ainda sem resultados de benchmarks independentes
- Atrás do Reflection Beam no SWE-bench Verified, SWE-bench Pro v1.0 e MCP Atlas
- BF16 precisa de cerca de 130 GB; o script do DGX Spark para em 131.072 tokens
- Exige trust_remote_code e os parsers próprios da Ricursive para SGLang
Ideal para
Equipes de plataforma com duas B200, ou um DGX Spark, que querem um modelo de agente de programação sob Apache 2.0 para hospedar e ajustar por conta própria.
Alternativas ao Ripple-65B Preview
Ripple-65B Preview: perguntas frequentes
- Ripple-65B Preview vale a pena?
- O Ripple-65B mostra de forma convincente que um modelo denso de 65B pode igualar em programação agêntica modelos abertos americanos de oito a quinze vezes o seu tamanho, mas até agora todos os resultados vêm da própria Ricursive. Damos nota 3.9 de 5.
- Quanto custa Ripple-65B Preview?
- Pesos abertos gratuitos sob Apache 2.0. Hospedado no OpenRouter (GMICloud) a $0.20 por 1M de tokens de entrada e $0.60 por 1M de tokens de saída.
- Quais são as desvantagens de Ripple-65B Preview?
- Ainda sem resultados de benchmarks independentes; atrás do Reflection Beam no SWE-bench Verified, SWE-bench Pro v1.0 e MCP Atlas; bF16 precisa de cerca de 130 GB; o script do DGX Spark para em 131.072 tokens; exige trust_remote_code e os parsers próprios da Ricursive para SGLang.
- Para quem Ripple-65B Preview é indicado?
- Equipes de plataforma com duas B200, ou um DGX Spark, que querem um modelo de agente de programação sob Apache 2.0 para hospedar e ajustar por conta própria.
- Quanto custa Ripple-65B Preview para uma equipe ou em produção?
- Os pesos BF16 ocupam cerca de 130 GB pela nossa conta a partir dos 64,8 bilhões de parâmetros, então planeje duas B200; a OrcaRouter estima esse par em cerca de $4,800 por mês. Os arquivos NVFP4 somam 57.2 GB para um DGX Spark de 128 GB. Hospedado, 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de $260 pelo preço da GMICloud no OpenRouter.
- Ripple-65B Preview é seguro para dados da empresa?
- Apache 2.0 para os quatro checkpoints, sem teto de receita nem restrições de uso além da licença. Prompts auto-hospedados ficam no seu hardware; no serviço hospedado valem os termos da GMICloud, e o OpenRouter não oferece roteamento dentro da UE para ele.
- Quais são as melhores alternativas ao Ripple-65B Preview?
- As alternativas mais próximas que analisamos são Beam, Muse Spark Open, Flint e DeepSeek-V4.1-Flash.
Respostas verificadas em 5 de nov. de 2026.