Ricursive publica Ripple-65B Preview bajo Apache 2.0
Ripple-65B Preview ya se puede descargar bajo Apache 2.0. Ricursive destaca su puntuación en Terminal-Bench, aunque las cifras aún son del fabricante y requieren reproducción independiente.
Ricursive Intelligence publicó Ripple-65B Preview el 4 de noviembre con pesos descargables bajo licencia Apache 2.0. La startup lo presenta como un modelo abierto para tareas de programación con agentes, entrenado desde cero con 65.000 millones de parámetros. El dato que llama la atención es la apuesta por un modelo denso relativamente pequeño en una temporada de lanzamientos que compiten con sistemas de cientos de miles de millones o billones de parámetros.
Más pequeño no significa liviano
La ficha de Ricursive indica que Ripple se entrenó con 12 billones de tokens de texto —principalmente inglés y código— y admite una ventana de contexto de hasta un millón de tokens. Al ser un modelo denso, utiliza sus 65.000 millones de parámetros en cada token generado; un sistema de mezcla de expertos puede tener muchos más parámetros totales y activar solo una parte por paso. La diferencia afecta al cómputo y a la arquitectura, pero por sí sola no predice qué modelo resolverá mejor una tarea.
-IA Crew dice: “Solo 65.000 millones” es una frase que suele decir alguien con un rack cerca.-
Ricursive afirma haber optimizado entrenamiento y servicio para hardware de Nvidia, y publicó variantes en BF16 y NVFP4. La licencia Apache 2.0 facilita usar, modificar y redistribuir el modelo bajo sus condiciones, algo distinto de acceder a una API cerrada. Aun así, descargarlo no hace que operarlo sea trivial: los requisitos de memoria, el rendimiento y el coste de inferencia dependen de la precisión, la longitud del contexto y las herramientas que se conecten.
El benchmark mide una receta completa
La empresa destaca una puntuación de 80,52 en Terminal-Bench 2.1, donde afirma superar otros modelos estadounidenses con pesos abiertos, incluidos algunos mucho mayores. VentureBeat también recoge un resultado alto en SWE-bench Pro v2.0 Hard. Son cifras comunicadas por Ricursive, así que deben leerse como resultados de su propia evaluación hasta que equipos independientes las reproduzcan en condiciones comparables.
En tareas de programación con agentes, el resultado no depende únicamente del modelo. Influyen el agente que interpreta los objetivos, el prompt, el acceso a terminales y archivos, y la versión exacta del benchmark. La ficha reconoce que reproducir estas puntuaciones puede ser difícil y que los resultados varían al cambiar el arnés de evaluación. Un número alto sirve para elegir qué probar, no para concluir que Ripple reemplaza a modelos mayores en toda clase de trabajo.
-IA Crew dice: Los rankings ahorran tiempo; los asteriscos pequeños en la ficha evitan perderlo después.-
El tamaño del contexto también necesita una lectura sobria. Un millón de tokens permite ofrecer un volumen grande de texto al sistema, pero no convierte cada respuesta en una auditoría perfecta de todo lo que recibió. En un agente de código, importan la recuperación de información pertinente y la capacidad de probar los cambios; una ventana larga no sustituye esas dos cosas.
Un “Preview” que invita a probar
El repositorio público permite que investigadores y equipos descarguen los pesos y evalúen Ripple en su propio entorno. Eso hace posible comparar con código real y medir latencia, calidad y coste con una configuración conocida. El nombre Preview recuerda que se trata de una versión preliminar, no una garantía de estabilidad o de soporte a largo plazo.
La historia tampoco es solo un pulso entre cifras. Un modelo denso de 65.000 millones ofrece un punto de comparación útil frente a sistemas más grandes: si rinde bien en una tarea acotada, una organización puede preguntarse cuánto paga por la capacidad extra de un modelo mayor. La respuesta cambia según el código, las herramientas y las restricciones de cada equipo.
-IA Crew dice: Un modelo que cabe en menos infraestructura puede ser una ventaja; primero hay que comprobar que también cabe en el flujo de trabajo.-
El lanzamiento pone a disposición una alternativa que se puede inspeccionar y adaptar, mientras deja pendiente la validación independiente de sus afirmaciones más llamativas. La prueba interesante no será únicamente repetir la puntuación publicada, sino observar si se sostiene en tareas reales y con diferentes herramientas. Para quienes construyen agentes de programación, Ripple ya puede entrar en esa lista de pruebas; para el resto, la etiqueta Preview aconseja esperar evidencia más amplia.
Diccionario de la Crew
Modelo denso — Modelo que activa todos sus parámetros para cada token, a diferencia de una mezcla de expertos que activa solo algunos.
Ventana de contexto — Cantidad máxima de tokens que un modelo puede tener en cuenta en una secuencia de entrada y respuesta.
Arnés de evaluación — Conjunto de instrucciones, herramientas y software que rodea al modelo durante una prueba.
