Ricursive rilascia Ripple-65B su Hugging Face: 65B densi, 1M di contesto
Su TerminalBench 2.1, un test per agenti di programmazione da terminale, Ripple-65B Preview totalizza 80,52 punti. Lo dichiara Ricursive Intelligence nella pagina ufficiale del modello, come il miglior risultato tra i modelli open-weight statunitensi nell’agentic coding. È un modello denso da 65 miliardi di parametri, preaddestrato su 12.000 miliardi di token, con contesto fino a 1M di token.
Ripple-65B Preview è la variante general-purpose del modello proprietario che alimenta la piattaforma di Ricursive per la progettazione di chip.
Dove si colloca su TerminalBench 2.1, secondo Ricursive
L’azienda affianca il proprio punteggio a quello di quattro modelli statunitensi open-weight che definisce «significativamente più grandi». I numeri sono tutti di Ricursive.
| Modello | Parametri | TerminalBench 2.1 |
|---|---|---|
| Ripple-65B Preview | 65B | 80,52 |
| Reflection Beam | 501B | 80,1 |
| Meta Muse Spark Open | 816B | 76,4 |
| Thinking Machines Inkling | 975B | 63,8 |
| NVIDIA Nemotron 3 Ultra | 550B | 56,4 |
Il distacco da Beam è di circa quattro decimi di punto (80,52 contro 80,1). Nella pagina non compaiono misure di terze parti.
Un 65B denso, 80 layer, niente MoE
Ricursive ha scelto un Transformer denso e non un Mixture-of-Experts (MoE, dove a ogni token lavora solo una parte dei parametri). Il motivo dichiarato è avere un buon ragionamento con generazione dei token a bassa latenza; l’azienda aggiunge che la scelta ha ridotto la complessità dell’infrastruttura di addestramento.
- Forma «thin-and-deep»: dimensione del modello (d_model) di 5120 e 80 layer in tutto.
- Più head di attenzione del normale; per compensare il costo, più layer a finestra scorrevole (SWA) rispetto ai globali e finestra SWA ridotta.
- Aggiunte: FFN activation clipping, gated attention, global NoPE e value residuals.
- Progettato per addestramento e serving su hardware NVIDIA, con utilizzo dei calcoli (MFU) intorno al 40%, sharding semplice, senza kernel personalizzati e senza quantizzazione.
Come è stato addestrato
Per il posttraining Ricursive dice di non aver acquistato dati: ha costruito pipeline proprie di dati sintetici, con filtri di qualità e metriche di copertura. La ricetta di apprendimento per rinforzo (RL) usa truncated importance sampling, score centering, una penalità lineare sulla lunghezza e ambienti sintetici a lungo orizzonte.
Secondo l’azienda, 80,5 su TerminalBench 2.1 è stato raggiunto con 1,4 milioni di rollout, circa 70 volte meno di Reflection Beam. Sul pretraining, partendo dalla «ladder» di Olmo 3 (la serie di esperimenti a piccola scala per scegliere le ricette) e con un dataset proprio molto più ricco di codice, Ricursive misura un’efficienza di calcolo sul codice fino a 16 volte maggiore a scala 4B, con la metrica dolma_stack CE. Il dato è a 4B, non sul modello finale da 65B.
In locale: cosa dice Ricursive
Per Ricursive, le dimensioni contenute permettono di eseguire il modello in modo efficiente su dispositivi locali come NVIDIA DGX Spark, macchine con molti FLOPs ma poca banda di memoria rispetto agli acceleratori da datacenter. Nella pagina non sono indicati requisiti di memoria, formati dei pesi o velocità di generazione.
32 milioni di dollari: cosa include e cosa è stima
Ricursive dichiara di aver sviluppato e addestrato Ripple-65B Preview con 32 milioni di dollari. La cifra comprende tutta la ricerca e sviluppo da zero: ladder di pretraining, mix dei dati, valutazioni, debug, dati sintetici, ricette di posttraining e le esecuzioni finali di pretraining e posttraining.
L’azienda la stima pari a un decimo del costo del precedente stato dell’arte open-weight nell’agentic coding, «al meglio delle nostre conoscenze». In una nota a piè di pagina scrive che Reflection era stata indicata come impegnata a spendere 150 milioni di dollari al mese di calcolo su SpaceX Colossus, e che per Beam avrebbe dichiarato 4 settimane di pretraining e 4 di posttraining. È un confronto di Ricursive, non un dato verificato.
Dove provarlo
- Hugging Face
- Together AI
- GMI Cloud
- OpenRouter
- Fireworks, in arrivo secondo la pagina
La pagina non dice nulla su prezzi, licenza o disponibilità per l’Italia.
Un termine di paragone: Reflection Beam
Beam, il modello più vicino nella tabella di Ricursive, è un MoE da 501B parametri con 23B attivi per token e contesto da 1M, con licenza Apache 2.0, come spiega Hugging Face. Su Terminal Bench v2.1 il team Reflection indica 80,1% in BF16, 78,9% in FP8 e 78,2% in NVFP4. Per l’NVFP4 (formato a 4 bit, nativo solo sulle GPU Blackwell) Hugging Face parla di circa 280 GB di pesi, contro circa 1 TB in BF16, e consiglia quattro B200 da 720 GB complessivi. Ne avevamo parlato nel nostro pezzo su Reflection Beam.
