Aperçu de Ripple-65B : des poids Apache 2.0, une revendication de 1 M de tokens et une API 16K

Ripple-65B Preview, publié par Ricursive Intelligence le 4 novembre 2026, constitue deux produits différents selon la manière dont on y accède. Le téléchargement représente 129,6 Go de poids sous Apache 2.0, dont la fiche modèle annonce un contexte « jusqu'à 1M » de jetons. Le premier point de terminaison commercial portant le même checkpoint en annonce 16 384. Ces deux chiffres décrivent le même modèle, et l'écart entre eux est l'information la plus utile qu'un développeur puisse connaître sur cette sortie avant d'y consacrer une journée.

L’annonce principale du laboratoire est plus restrictive que ne le laisse entendre l’article de lancement, et plus intéressante que ne l’a relevé la couverture jusqu’ici. Ricursive revendique un état de l’art américain à poids ouverts pour le codage agentique — 80,52 sur Terminal-Bench 2.1 — à partir d’un modèle dense de 65B entraîné pour un coût déclaré de 32 M$. Il s’agit d’une revendication réelle portant sur un artefact réel : les poids sont téléchargeables, sans contrôle d’accès, et sous licence pour un usage commercial sans accord négocié. C’est aussi, au 5 novembre, entièrement déclaré par le fournisseur. Artificial Analysis ne répertorie pas le modèle.

Qu’est-ce qui a réellement été publié sur Hugging Face ?

Quatre dépôts ont été mis en ligne le 4 novembre, et ces distinctions comptent car elles changent le matériel dont vous avez besoin :

• Ripple-65B Preview — le checkpoint BF16 ajusté aux instructions, 16 fragments safetensors totalisant 129,57 Go, Apache 2.0, sans accès restreint.

• Ripple-65B Preview NVFP4 — une version expérimentale 4 bits de 57,22 Go répartie sur 6 fragments, quantifiant les couches MLP tout en conservant l'attention en BF16.

• Ripple-65B Base Preview — le checkpoint de pré-entraînement uniquement, sans entraînement intermédiaire, sans données de QA synthétiques, soit également 129,57 Go.

• Ripple-65B Preview DFlash2 — un modèle draft de 8,08 Go pour le décodage spéculatif, 4,04 milliards de paramètres, générant des blocs de 16 tokens face au modèle cible.

L’architecture est un retour en arrière délibéré. Alors que tous les autres laboratoires de cette taille se sont tournés vers le mixture-of-experts, Ricursive a construit un Transformer dense, fin et profond : d_model 5120, 80 couches, 80 têtes d’attention partageant 8 têtes clé-valeur, un vocabulaire de 100 352 tokens et une fenêtre glissante de 1 024 tokens appliquée selon un schéma de couches hybride. Le clipping d’activation du FFN, l’attention à portes, le NoPE global et les résidus de valeur complètent les modifications que l’équipe a intégrées en progressant par paliers depuis une base Olmo 3.

La stack d’entraînement est publiée avec plus de détails que la plupart des fiches techniques ne prennent la peine d’en donner : 12T tokens de préentraînement avec une longueur de séquence de 8K, 200B tokens d’entraînement intermédiaire à 64K, 6,5B tokens d’extension de contexte long à 2M, 183B tokens de SFT à 128K, et 700 étapes de RL à 128K. L’équipe est passée d’une personne à cinq pendant le développement, et rapporte 40 % de MFU sans noyaux personnalisés.

Une mise en garde sur le nom, car les résultats de recherche brouillent déjà la distinction : Ricursive Intelligence est le laboratoire de conception de puces dont l’article de lancement décrit la co-optimisation du matériel, des logiciels et des modèles. Il ne s’agit pas de Recursive, la start-up d’IA auto-améliorante à l’origine de Flint. Les deux entreprises n’ont aucun lien, et les articles qui les amalgament sont erronés.

L’affirmation du benchmark, et jusqu’où elle se propage

Terminal-Bench 2.1 est l’épreuve dont dépend le succès ou l’échec du lancement, et le chiffre est 80,52. Ricursive le place devant Reflection Beam 501B à 80,1, Meta Muse Spark Open 816B à 76,4, Thinking Machines Inkling 975B à 63,8, et NVIDIA Nemotron 3 Ultra 550B à 56,4 — tous entre sept et quinze fois plus grands en nombre total de paramètres.

Ce qui rend ce tableau plus précieux qu’une fiche fournisseur habituelle, c’est une deuxième colonne. Ricursive a relancé la comparaison avec le harnais officiel Terminus 2 à 128K avec summarisation, et rapporte que les scores ont bougé presque partout sauf pour le sien : Ripple est resté à 80,5, Muse Spark est monté à 78,7, Reflection Beam est passé de 80,1 à 70,8, Inkling de 63,8 à 56,2, Nemotron de 56,4 à 55,1. Un laboratoire qui publie le harnais où son propre score reste stable et où ceux de ses concurrents s’effondrent fait quelque chose que la plupart des annonces de lancement évitent. Il reste un laboratoire qui corrige sa propre copie — chaque chiffre de ce tableau a été produit par le flux d’évaluation de Ricursive — mais le gradient va dans le bon sens.

Cette affirmation ne vaut plus dès que vous quittez le terminal. Sur DeepSWE 1.1, Ripple obtient 44,3 contre les 60,0 de Muse Spark. Sur MCP Atlas, il obtient 71,67, derrière Muse Spark à 89,2 et Inkling à 76,0. Sur SciCode, il est dernier des cinq avec 39,4, derrière Beam à 49,2 et Muse Spark à 58,5. Le schéma est constant : Ripple est solide sur le travail en terminal à long horizon et les tâches logicielles à plusieurs étapes, et ordinaire en génération de code scientifique et en étendue des protocoles d’outils. Si votre charge de travail est un agent qui navigue dans un shell, l’affirmation s’adresse à vous. Si c’est un assistant fortement orienté MCP, elle ne vous vise pas.

Et le cadrage opère discrètement. « L’état de l’art américain des modèles à poids ouverts » est un qualificatif, pas un préfixe à ignorer. Il exclut DeepSeek, Qwen et tous les autres laboratoires non américains ; il s’agit donc d’une affirmation sur le meilleur modèle à poids ouverts entraîné aux États-Unis, et non sur le meilleur modèle à poids ouverts.

Le modèle de base est le document le plus honnête

La fiche Base Preview contient une phrase que l’article de lancement ne met pas en avant d’emblée : le checkpoint préentraîné est « comparable à DeepSeek V3.1 et V4 Flash en raisonnement, mathématiques et code », tandis que Nemotron 3 Ultra « domine sur les évaluations traditionnelles de préentraînement ». Les chiffres confirment cette modestie. Le score Base MMLU-Pro est de 61,5, contre 68,3 pour DeepSeek V4 Flash 284B et 79,1 pour Nemotron 3 Ultra 550B. Le score Base GPQA Diamond est de 38,4, bien en dessous de celui de V4 Flash, à 44,4.

Lisez ces deux tableaux ensemble et l’histoire devient plus nette. Le prior préentraîné de Ripple est respectable, mais dans le milieu du peloton pour un run de 12T de tokens — le plus petit budget de préentraînement de son propre ensemble de comparaison, contre 20T pour Nemotron et 32T+ pour V4 Flash. Presque tout l’avantage en codage agentique vient de la pile de post-entraînement : le mélange de données de mi-entraînement, l’extension de contexte long, et 700 étapes de RL dont Ricursive affirme qu’elles ont atteint 80,5 en 1,4 M de rollouts, soit environ 70 fois moins que ce dont Reflection Beam a eu besoin. C’est un résultat plus intéressant que le tableau de benchmarks, et plus fragile — une montée en RL intensive sur des environnements synthétiques à long horizon est exactement le genre de recette qui se transfère de manière inégale à des tâches sur lesquelles le laboratoire ne s’est pas entraîné.

Pourquoi le numéro de contexte comporte-t-il deux nombres ?

La fiche du modèle indique 1 M. La configuration indique max_position_embeddings 2 097 152. Le point de terminaison hébergé indique 16 384 avec un plafond de sortie de 14 745 jetons. Personne ne ment ; ce sont trois choses différentes, et l’arithmétique explique pourquoi le premier hébergeur a choisi le nombre qu’il a choisi.

C’est au niveau du cache KV que le contexte long se paie. Avec 80 couches, 8 têtes KV, une dimension de tête de 128 et un stockage en BF16, chaque couche coûte 4 096 octets de cache par token — 2 048 pour les clés et 2 048 pour les valeurs. Sur l’ensemble des 80 couches, cela représente environ 0,33 Mo par token. Aux 16 384 tokens de l’endpoint, cela fait environ 5,4 Go. À un million de tokens, avec une attention globale sur chaque couche, il y aurait environ 344 Go de cache, qui s’ajouteraient à 130 Go de poids.

C’est à cela que sert la fenêtre glissante. La plupart des couches de Ripple prêtent attention dans une fenêtre de 1 024 jetons ; une minorité prêtent attention globalement, et seules ces dernières croissent avec le contexte. Si 16 des 80 couches sont globales, un million de jetons coûte environ 69 Go de cache au lieu de 344 Go — volumineux, mais servable sur un nœud multi-GPU. La répartition précise est définie par le motif de couches hybrides dans config.json, et c’est la première chose à vérifier avec la pile de service que vous utilisez, car c’est cette répartition, et non le chiffre mis en avant, qui constitue votre coût mémoire.

Considérez donc ces deux chiffres comme deux faits distincts. Un million de jetons est une capacité architecturale inscrite dans les poids du modèle et qui nécessiterait un nœud sérieux pour être servie. Seize mille, c’est ce que propose le premier point de terminaison commercial — suffisant pour la plupart des boucles d’agents, mais pas pour un raisonnement à l’échelle d’un dépôt ni pour le travail sur de longs documents. Si la raison pour laquelle vous vouliez essayer Ripple-65B Preview était son contexte de 1 M, la voie hébergée ne vous l’offre pas aujourd’hui, et l’auto-hébergement est la seule solution qui le permet.

Local signifie 57 Go, et non 130

Le billet de lancement indique que le modèle « peut tenir sur du matériel grand public comme le NVIDIA DGX Spark », et la couverture médiatique a durci cela en « tourne sur un MacBook ». Les tailles de téléchargement indiquent à quel artefact se rapporte chaque affirmation.

• Le checkpoint instruct BF16 fait 129,57 GB. À lui seul, avant tout cache KV ou surcoût d’exécution, il nécessite un accélérateur de la classe 192 GB ou une répartition multi-GPU.

• La version NVFP4 fait 57,22 Go. Elle tient dans une machine à mémoire unifiée de 128 Go avec de la place pour un contexte de travail — et elle est étiquetée comme expérimentale, l’attention restant en BF16.

• Le drafter DFlash2 ajoute 8,08 GB et apporte le décodage spéculatif, pas la qualité.

Le chiffre de 250 tok/s est une valeur de datacenter : 2×B200 avec un batch de 8, avant quantification et noyaux personnalisés. Sur un Spark, vous échangez du débit contre le fait que la machine est sur votre bureau. Aucun des deux chiffres n’est faux ; ils appartiennent simplement à des machines différentes, et l’histoire locale ne fonctionne qu’avec le checkpoint quantifié.

Combien coûte un appel

Le premier point de terminaison hébergé affiche 0,20 $ par million de jetons d’entrée et 0,60 $ par million de sortie, les lectures d’entrée mises en cache étant à 0,05 $. Appliqué à un appel d’agent réaliste — une invite de 16 000 jetons sur la fenêtre complète, renvoyant 2 000 jetons — cela donne 0,0032 $ en entrée et 0,0012 $ en sortie, soit environ 0,0044 $. Faites passer 10 millions de jetons par jour avec une répartition entrée/sortie de 80/20, et vous arrivez à 2,80 $.

La mise en cache est le levier qu’il faut actionner. Un prompt système répété de 16 000 tokens coûte 0,0008 $ au tarif cache au lieu de 0,0032 $, soit une réduction de 4x côté entrée — ce qui, pour un agent qui renvoie les mêmes définitions d’outils à chaque tour, représente l’essentiel de la facture.

Où se situe OrcaRouter : nous ne proposons pas Ripple-65B Preview aujourd’hui, donc il n’y a pas de marge à comparer et aucune raison de prétendre le contraire. Ce que la version d’aperçu change, c’est l’argument en faveur du maintien d’un modèle non éprouvé hors de votre chemin de production pendant que vous le mesurez. Acheminez via une seule clé le modèle historique dont votre trafic dépend déjà — plus de 200 modèles, prix catalogue du fournisseur répercuté avec 0 % de marge, basculement automatique en cas de défaillance d’un fournisseur — et placez Ripple à ses côtés dans une évaluation hors ligne plutôt que devant les utilisateurs. Si les chiffres se confirment, le DSL de routage déplace une partie du trafic sans seconde intégration ; sinon, le repli n’a jamais été remis en cause.

Qui devrait l’essayer, et qu’est-ce qui changerait la donne ?

Essayez-le maintenant si vous développez un agent de terminal ou de shell : vous voulez un checkpoint Apache 2.0 que vous pouvez fine-tuner sans avocat, et une fenêtre de 16K suffit pour votre boucle. L’architecture dense est un véritable avantage pour quiconque déploie sur du matériel modeste — pas de routage d’experts, pas d’all-to-all, une latence prévisible — et un modèle dense de 65B à 80,5 sur Terminal-Bench est un résultat qui mérite d’être reproduit sur vos propres tâches plutôt que d’en débattre.

Attendez si vous avez besoin de contexte long depuis un point de terminaison hébergé, si votre travail est fortement axé sur MCP ou sur du code scientifique, ou si vous avez besoin d’un chiffre qui n’a pas été produit par le laboratoire qui a entraîné le modèle. Il n’existe pas encore d’évaluation indépendante : aucune entrée dans Artificial Analysis et aucune reproduction par un tiers du 80,52. Pour une version Preview vieille d’un jour, c’est normal plutôt que suspect — mais cela signifie que chaque chiffre de cet article provenant de Ricursive est étiqueté comme étant le leur pour une raison.

Trois éléments permettraient de trancher. Une deuxième exécution du harnais par quelqu'un qui n'a pas entraîné le modèle. Un hôte servant plus de 16 384 jetons, ce qui nous dirait si l'affirmation d'un contexte de 1 M résiste au contact d'un ordonnanceur. Et un checkpoint non-preview, puisque Ricursive a été explicite sur le fait que le post-entraînement ici a été léger et que la variante interne derrière sa plateforme de conception de puces est le produit qu'elle construit réellement. D'ici là, le titre est une affirmation et le téléchargement est bien réel — et l'écart entre les deux est exactement là où se déroulera l'évaluation du mois prochain.