Ripple-65B Preview: Pesos Apache 2.0, uma alegação de 1M de tokens e uma API de 16K

Ripple-65B Preview, lançado pela Ricursive Intelligence em 4 de novembro de 2026, são dois produtos diferentes dependendo de como você o acessa. O download consiste em 129,6 GB de pesos Apache 2.0 cujo cartão de modelo anuncia contexto “de até 1M” tokens. O primeiro endpoint comercial que carrega o mesmo checkpoint anuncia 16.384. Ambos os números descrevem o mesmo modelo, e a distância entre eles é a informação mais útil que um desenvolvedor pode ter sobre este lançamento antes de dedicar um dia a ele.

A manchete do laboratório é mais restrita do que o post de lançamento sugere e mais interessante do que a cobertura até agora percebeu. A Ricursive alega um estado da arte de pesos abertos nos EUA em codificação agêntica — 80,52 no Terminal-Bench 2.1 — a partir de um modelo denso de 65B treinado por um custo declarado de US$ 32 milhões. Trata-se de uma alegação concreta sobre um artefato concreto: os pesos são baixáveis, sem restrições de acesso e licenciados para uso comercial sem a necessidade de um acordo negociado. É também, até 5 de novembro, inteiramente informado pelo fornecedor. A Artificial Analysis não tem registro do modelo.

O que realmente chegou ao Hugging Face

Quatro repositórios foram publicados em 4 de novembro, e as distinções importam porque mudam o hardware de que você precisa:

• Ripple-65B Preview — o checkpoint ajustado por instruções em BF16, 16 shards safetensors totalizando 129,57 GB, Apache 2.0, sem restrição de acesso.

• Ripple-65B Preview NVFP4 — uma build experimental de 4 bits com 57,22 GB em 6 fragmentos, quantizando as camadas MLP enquanto mantém a atenção em BF16.

• Ripple-65B Base Preview — o checkpoint apenas de pré-treinamento, sem treinamento intermediário, sem dados sintéticos de QA, também 129.57 GB.

• Ripple-65B Preview DFlash2 — um modelo de rascunho de 8,08 GB para decodificação especulativa, 4,04B parâmetros, propondo blocos de 16 tokens ao modelo alvo.

A arquitetura é um retorno deliberado ao passado. Enquanto todos os outros laboratórios desse porte foram para a mistura de especialistas, a Ricursive construiu um Transformer denso, fino e profundo: d_model 5120, 80 camadas, 80 cabeças de atenção compartilhando 8 cabeças chave-valor, um vocabulário de 100.352 tokens e uma janela deslizante de 1.024 tokens aplicada em um padrão híbrido de camadas. O clipping de ativação da FFN, a atenção com portões, o NoPE global e os resíduos de valor completam as modificações que a equipe incorporou ao escalar a partir de uma baseline Olmo 3.

A stack de treinamento é publicada em mais detalhes do que a maioria dos cards se dá ao trabalho de fornecer: 12T tokens de pré-treinamento com comprimento de sequência de 8K, 200B tokens de treinamento intermediário com 64K, 6,5B tokens de extensão de contexto longo com 2M, 183B tokens de SFT com 128K e 700 etapas de RL com 128K. A equipe passou de uma pessoa para cinco durante o desenvolvimento e relata 40% de MFU sem kernels personalizados.

Uma ressalva sobre o nome, porque os resultados de busca já estão confundindo as coisas: Ricursive Intelligence é o laboratório de design de chips cujo post de lançamento descreve a cootimização de hardware, software e modelos. Não é a Recursive, a startup de IA autoaperfeiçoável por trás do Flint. As duas empresas não têm relação, e a cobertura que as mistura está errada.

A alegação do benchmark, e até onde ela chega

Terminal-Bench 2.1 é onde o lançamento vive ou morre, e o número é 80,52. A Ricursive o coloca à frente do Reflection Beam 501B, com 80,1, do Meta Muse Spark Open 816B, com 76,4, do Thinking Machines Inkling 975B, com 63,8, e do NVIDIA Nemotron 3 Ultra 550B, com 56,4 — todos eles entre sete e quinze vezes maiores em parâmetros totais.

O que torna essa tabela mais valiosa do que a típica folha de fornecedor é uma segunda coluna. A Ricursive refez a comparação no harness oficial Terminus 2, com 128K e sumarização, e relata que as pontuações mudaram em quase todos os casos, exceto nas dela: Ripple ficou em 80,5; Muse Spark subiu para 78,7; Reflection Beam caiu de 80,1 para 70,8; Inkling, de 63,8 para 56,2; Nemotron, de 56,4 para 55,1. Um laboratório que publica o harness em que sua própria pontuação fica estável e as pontuações dos concorrentes desabam está fazendo algo que a maioria dos posts de lançamento evita. Ainda é um laboratório corrigindo a própria prova — todos os números dessa tabela foram produzidos pelo fluxo de avaliação da Ricursive —, mas o gradiente aponta na direção certa.

A afirmação deixa de valer assim que você sai do terminal. No DeepSWE 1.1, o Ripple pontua 44,3 contra 60,0 do Muse Spark. No MCP Atlas, fica em 71,67, atrás do Muse Spark, com 89,2, e do Inkling, com 76,0. No SciCode, é o último dos cinco, com 39,4, atrás do Beam, com 49,2, e do Muse Spark, com 58,5. O padrão é consistente: o Ripple é forte em trabalho de terminal de longo horizonte e tarefas de software de várias etapas, e mediano em geração de código científico e amplitude de protocolos de ferramentas. Se sua carga de trabalho é um agente navegando por um shell, a afirmação é para você. Se é um assistente com uso intenso de MCP, não é.

E o enquadramento faz um trabalho discreto. “Estado da arte de pesos abertos dos EUA” é um qualificador, não um prefixo a ser ignorado. Ele exclui DeepSeek, Qwen e todos os outros laboratórios não americanos, portanto é uma alegação sobre o melhor modelo de pesos abertos treinado dentro dos Estados Unidos, não sobre o melhor modelo de pesos abertos.

O modelo base é o documento mais honesto

O cartão Base Preview contém uma frase que o post de lançamento não destaca logo de início: o checkpoint pré-treinado é “comparável com DeepSeek V3.1 e V4 Flash em raciocínio, matemática e código”, enquanto o Nemotron 3 Ultra “domina nas avaliações tradicionais de pré-treinamento”. Os números corroboram a modéstia. O MMLU-Pro da Base é 61,5, contra 68,3 do DeepSeek V4 Flash 284B e 79,1 do Nemotron 3 Ultra 550B. O GPQA Diamond da Base é 38,4, bem abaixo do V4 Flash, com 44,4.

Leia essas duas tabelas em conjunto e a história fica mais nítida. O prior pré-treinado do Ripple é respeitável, mas mediano para uma execução de 12T tokens — o menor orçamento de pré-treinamento do próprio conjunto de comparação, contra 20T do Nemotron e 32T+ do V4 Flash. Quase toda a vantagem em codificação agêntica vem da pilha de pós-treinamento: a mistura de dados de treinamento intermediário, a extensão de contexto longo e 700 etapas de RL que, segundo a Ricursive, chegaram a 80,5 em 1,4M rollouts, cerca de 70x menos do que o Reflection Beam precisou. Esse é um resultado mais interessante do que a tabela de benchmarks, e também mais frágil — uma subida pesada de RL em ambientes sintéticos de longo horizonte é exatamente o tipo de receita que transfere de forma desigual para tarefas com as quais o laboratório não treinou.

Por que o número do contexto tem dois números?

O cartão do modelo diz 1M. A configuração diz max_position_embeddings 2.097.152. O endpoint hospedado diz 16.384 com um teto de saída de 14.745 tokens. Ninguém está mentindo; são três coisas diferentes, e a aritmética explica por que o primeiro host escolheu o número que escolheu.

O cache KV é onde o contexto longo tem seu custo. Com 80 camadas, 8 cabeças KV, uma dimensão de cabeça de 128 e armazenamento BF16, cada camada custa 4.096 bytes de cache por token — 2.048 para chaves e 2.048 para valores. Em todas as 80 camadas, isso é aproximadamente 0,33 MB por token. Nos 16.384 tokens do endpoint, isso é cerca de 5,4 GB. Com um milhão de tokens e todas as camadas realizando atenção global, seriam aproximadamente 344 GB de cache em cima de 130 GB de pesos.

É para isso que serve a janela deslizante. A maioria das camadas do Ripple aplica atenção dentro de uma janela de 1.024 tokens; uma minoria aplica atenção globalmente, e apenas essas crescem com o contexto. Se 16 das 80 camadas forem globais, um milhão de tokens custa cerca de 69 GB de cache em vez de 344 GB — grande, mas possível de servir em um nó com múltiplas GPUs. A divisão precisa é definida pelo padrão de camadas híbridas em config.json, e é a primeira coisa a verificar com qualquer stack de serving que você use, porque essa divisão, e não o número de destaque, é a sua conta de memória.

Portanto, trate os dois números como dois fatos. Um milhão de tokens é uma capacidade arquitetural que existe nos pesos e exigiria um nó robusto para ser servido. Dezesseis mil é o que o primeiro endpoint comercial oferece — suficiente para a maioria dos loops de agentes, mas não o bastante para raciocínio em escala de repositório ou trabalho com documentos longos. Se o seu motivo para experimentar o Ripple-65B Preview era o contexto de 1M, a rota hospedada não oferece isso hoje, e a hospedagem própria é o único caminho que oferece.

Local significa 57 GB, não 130

A publicação de lançamento diz que o modelo “cabe em hardware de consumidor, como o NVIDIA DGX Spark”, e a cobertura transformou isso em “roda em um MacBook”. Os tamanhos de download indicam a qual artefato cada afirmação se refere.

• O checkpoint instruct BF16 tem 129,57 GB. Isoladamente, antes de qualquer cache KV ou sobrecarga de runtime, isso exige um acelerador da classe de 192 GB ou uma divisão multi-GPU.

• A build NVFP4 tem 57,22 GB. Isso cabe em uma máquina com 128 GB de memória unificada, com espaço para um contexto de trabalho — e está rotulada como experimental, com a atenção mantida em BF16.

• O drafter DFlash2 adiciona 8,08 GB e oferece decodificação especulativa, não qualidade.

A cifra de 250 tok/s é um número de datacenter: 2×B200 com batch 8, antes da quantização e dos kernels personalizados. Em um Spark, você troca throughput pelo fato de a máquina estar na sua mesa. Nenhum dos números está errado; eles apenas pertencem a máquinas diferentes, e a história local só funciona com o checkpoint quantizado.

Quanto custa uma chamada

O primeiro endpoint hospedado lista US$ 0,20 por milhão de tokens de entrada e US$ 0,60 por milhão de saída, com leituras de entrada em cache a US$ 0,05. Fazendo as contas com uma chamada de agente realista — um prompt de 16.000 tokens contra a janela completa, retornando 2.000 tokens — isso dá US$ 0,0032 de entrada e US$ 0,0012 de saída, ou cerca de US$ 0,0044. Processe 10 milhões de tokens por dia nele com uma divisão de 80/20 entre entrada e saída e você chega a US$ 2,80.

O cache é a alavanca que vale a pena acionar. Um prompt de sistema repetido de 16.000 tokens custa $0.0008 na tarifa com cache em vez de $0.0032, um corte de 4x no lado da entrada — o que, para um agente que reenvia as mesmas definições de ferramentas a cada turno, representa a maior parte da conta.

Onde o OrcaRouter se encaixa: hoje não oferecemos o Ripple-65B Preview, então não há markup para comparar e nenhum motivo para fingir o contrário. O que o preview muda é o argumento para manter um modelo não comprovado fora do seu caminho de produção enquanto você o mede. Roteie o incumbent do qual seu tráfego já depende por meio de uma única chave — mais de 200 modelos, preço de tabela do provedor repassado com 0% de markup, failover automático quando um provedor oscila — e coloque o Ripple ao lado dele em uma avaliação offline, em vez de na frente dos usuários. Se os números se mantiverem, a DSL de roteamento move uma fatia do tráfego sem uma segunda integração; se não, o fallback nunca esteve em questão.

Quem deveria experimentar, e o que mudaria o cenário

Experimente agora se você está criando um agente de terminal ou shell, quer um checkpoint Apache 2.0 que possa ajustar sem precisar de um advogado, e uma janela de 16K é suficiente para o seu loop. A arquitetura densa é uma vantagem genuína para qualquer pessoa que rode modelos em hardware modesto — sem roteamento de especialistas, sem all-to-all, latência previsível — e um modelo denso de 65B com 80,5 no Terminal-Bench é um resultado que vale a pena reproduzir nas suas próprias tarefas em vez de discutir.

Espere se você precisa de contexto longo de um endpoint hospedado, se seu trabalho é intensivo em MCP ou em código científico, ou se você precisa de qualquer número que não tenha sido produzido pelo laboratório que treinou o modelo. Ainda não há avaliação independente: nenhuma entrada no Artificial Analysis e nenhuma reprodução por terceiros do 80,52. Para uma versão Preview com um dia de existência, isso é normal e não suspeito — mas significa que cada número neste texto que veio da Ricursive está rotulado como deles por um motivo.

Três coisas resolveriam isso. Uma segunda execução de harness por alguém que não treinou o modelo. Um host servindo mais de 16.384 tokens, o que nos diria se a alegação de contexto de 1M sobrevive ao contato com um agendador. E um checkpoint que não seja preview, já que a Ricursive foi explícita de que o pós-treinamento aqui foi leve e a variante interna por trás de sua plataforma de design de chips é o produto que ela realmente está construindo. Até lá, a manchete é uma alegação e o download é real — e a lacuna entre eles é exatamente onde acontecerá a avaliação do próximo mês.