Ripple-65B Preview: Apache 2.0-vikter, ett 1M-token-påstående och ett 16K-API

Ripple-65B Preview, som släpptes av Ricursive Intelligence den 4 november 2026, är två olika produkter beroende på hur du når den. Nedladdningen består av 129,6 GB Apache 2.0-vikter vars modellkort annonserar kontext "upp till 1M" tokens. Den första kommersiella slutpunkten som använder samma checkpoint annonserar 16 384. Båda siffrorna beskriver samma modell, och avståndet mellan dem är det mest användbara en utvecklare kan veta om den här utgåvan innan de lägger en dag på den.

Labbtes rubrik är snävare än vad lanseringsinlägget får den att låta och mer intressant än vad bevakningen hittills har uppmärksammat. Ricursive hävdar ett amerikanskt state of the art med öppna vikter inom agentisk kodning – 80,52 på Terminal-Bench 2.1 – från en 65B tät modell som tränats för rapporterade 32 miljoner dollar. Det är ett verkligt påstående om en verklig artefakt: vikterna går att ladda ner, utan några spärrar, och är licensierade för kommersiellt bruk utan något förhandlat avtal. Det är också, per den 5 november, helt och hållet leverantörsrapporterat. Artificial Analysis har ingen post för modellen.

Vad som faktiskt landade på Hugging Face

Fyra repon lades upp den 4 november, och skillnaderna spelar roll eftersom de ändrar vilken hårdvara du behöver:

• Ripple-65B Preview — den BF16-instruktionstrimmade checkpointen, 16 safetensors-shards om totalt 129,57 GB, Apache 2.0, inte gated.

• Ripple-65B Preview NVFP4 — ett experimentellt 4-bitarsbygge på 57,22 GB över 6 shards, som kvantiserar MLP-lagren och behåller attention i BF16.

• Ripple-65B Base Preview — checkpointen som endast är förtränad, ingen midtraining, ingen syntetisk QA-data, även 129,57 GB.

• Ripple-65B Preview DFlash2 — en draftmodell på 8,08 GB för spekulativ avkodning, 4,04B parametrar, som utformar block om 16 token mot målmodellen.

Arkitekturen är en avsiktlig tillbakablick. Där varje annat labb i den här storleken har gått över till mixture-of-experts, byggde Ricursive en dense Transformer, tunn och djup: d_model 5120, 80 lager, 80 attention heads som delar 8 key-value-heads, en vokabulär på 100 352 tokens och ett glidande fönster på 1 024 tokens som tillämpas över ett hybridlagermönster. FFN-aktiveringsklippning, gated attention, global NoPE och value-residualer fullbordar de modifieringar som teamet plockade upp när de stegade upp från en Olmo 3-baslinje.

Träningsstacken publiceras i mer detalj än de flesta modellkort gör sig besvär med: 12T tokens för förträning vid 8K sekvenslängd, 200B tokens för mellanträning vid 64K, 6,5B tokens för långkontextförlängning vid 2M, 183B tokens för SFT vid 128K och 700 RL-steg vid 128K. Teamet gick från en person till fem under utvecklingen och rapporterar 40 % MFU utan anpassade kärnor.

En varning om namnet, eftersom sökresultaten redan rör ihop det: Ricursive Intelligence är chipdesignlabbet vars lanseringsinlägg beskriver samoptimering av hårdvara, mjukvara och modeller. Det är inte Recursive, AI-startupen för självförbättrande AI bakom Flint. De två företagen är orelaterade, och bevakning som blandar ihop dem är fel.

Benchmarkpåståendet, och hur långt det sträcker sig

Terminal-Bench 2.1 är där lanseringen antingen lyckas eller misslyckas, och siffran är 80,52. Ricursive placerar den före Reflection Beam 501B på 80,1, Meta Muse Spark Open 816B på 76,4, Thinking Machines Inkling 975B på 63,8 och NVIDIA Nemotron 3 Ultra 550B på 56,4 – alla mellan sju och femton gånger större i totala parametrar.

Det som gör den tabellen mer värd än det vanliga leverantörsbladet är en andra kolumn. Ricursive körde om jämförelsen med den officiella Terminus 2-harnessen vid 128K med sammanfattning och rapporterar att poängen rörde sig nästan överallt utom för dem själva: Ripple låg kvar på 80,5, Muse Spark steg till 78,7, Reflection Beam sjönk från 80,1 till 70,8, Inkling från 63,8 till 56,2, Nemotron från 56,4 till 55,1. Ett labb som publicerar harnessen där dess egen poäng är oförändrad och konkurrenternas poäng kollapsar gör något som de flesta lanseringsinlägg undviker. Det är fortfarande ett labb som rättar sin egen läxa – varje siffra i tabellen producerades av Ricursives utvärderingsflöde – men gradienten pekar åt rätt håll.

Påståendet slutar gälla så snart du lämnar terminalen. På DeepSWE 1.1 får Ripple 44,3 mot Muse Sparks 60,0. På MCP Atlas ligger den på 71,67, efter Muse Spark på 89,2 och Inkling på 76,0. På SciCode ligger den sist av de fem på 39,4, efter Beam på 49,2 och Muse Spark på 58,5. Mönstret är konsekvent: Ripple är stark på terminalarbete med lång horisont och programvaruuppgifter i flera steg, och medelmåttig på vetenskaplig kodgenerering och bredd inom verktygsprotokoll. Om din arbetsbelastning är en agent som klickar sig igenom ett skal är påståendet riktat till dig. Om den är en MCP-tung assistent är påståendet inte riktat till dig.

Och inramningen gör sitt tysta arbete. ”Amerikansk state of the art för öppna vikter” är en kvalificerare, inte ett prefix att hoppa över. Det utesluter DeepSeek, Qwen och alla andra icke-amerikanska labb, så det är ett påstående om den bästa modellen med öppna vikter som tränats i USA, inte den bästa modellen med öppna vikter.

Basmodellen är det mer ärliga dokumentet

Base Preview-kortet innehåller en mening som lanseringsinlägget inte inleder med: den förtränade checkpointen är ”jämförbar med DeepSeek V3.1 och V4 Flash inom resonemang, matematik och kod”, medan Nemotron 3 Ultra ”dominerar på traditionella förträningsutvärderingar”. Siffrorna styrker det anspråkslösa. Base MMLU-Pro är 61,5, mot 68,3 för DeepSeek V4 Flash 284B och 79,1 för Nemotron 3 Ultra 550B. Base GPQA Diamond är 38,4, klart under V4 Flash på 44,4.

Läser man de två tabellerna tillsammans blir bilden tydligare. Ripples förtränade prior är respektabel men ligger i mittfältet för en körning på 12T tokens – den minsta förträningsbudgeten i dess egen jämförelsegrupp, mot 20T för Nemotron och 32T+ för V4 Flash. Nästan hela fördelen inom agentisk kodning kommer från post-training-stacken: datamixen för midtraining, long-context-förlängningen och 700 RL-steg som Ricursive säger nådde 80,5 i 1,4 miljoner rollouts, ungefär 70 gånger färre än vad Reflection Beam behövde. Det är ett mer intressant resultat än benchmarktabellen, och ett mer ömtåligt sådant – en tung RL-klättring på syntetiska långhorisontella miljöer är precis den typ av recept som överförs ojämnt till uppgifter som labbet inte tränade mot.

Varför består kontextnumret av två tal?

Modelkortet säger 1M. Konfigurationen säger max_position_embeddings 2,097,152. Den hostade slutpunkten säger 16,384 med ett utdatatak på 14,745 token. Ingen ljuger; dessa är tre olika saker, och aritmetiken förklarar varför den första värden valde det nummer den gjorde.

KV-cachen är där lång kontext kostar. Med 80 lager, 8 KV-huvuden, en huvuddimension på 128 och BF16-lagring kostar varje lager 4 096 byte cache per token – 2 048 för nycklar och 2 048 för värden. Över alla 80 lager är det ungefär 0,33 MB per token. Vid slutpunktens 16 384 token är det cirka 5,4 GB. Vid en miljon token, med global uppmärksamhet i varje lager, skulle det vara ungefär 344 GB cache ovanpå 130 GB vikter.

Det är vad det glidande fönstret är till för. De flesta av Ripples lager attenderar inom ett fönster på 1 024 token; en minoritet attenderar globalt, och endast dessa växer med kontexten. Om 16 av de 80 lagren är globala kostar en miljon token cirka 69 GB cacheminne i stället för 344 GB – stort, men hanterbart på en nod med flera GPU:er. Den exakta fördelningen styrs av hybridlagermönstret i config.json, och det är det första du bör kontrollera med vilken serveringsstack du än använder, eftersom det är den fördelningen, inte rubrikvärdet, som är din minneskostnad.

Så betrakta de två siffrorna som två fakta. En miljon token är en arkitektonisk förmåga som finns i vikterna och skulle kräva en rejäl nod för att köras. Sextontusen är vad den första kommersiella slutpunkten erbjuder – tillräckligt för de flesta agentloopar, inte tillräckligt för resonemang i repositoriestorlek eller arbete med långa dokument. Om anledningen till att du provade Ripple-65B Preview var kontexten på 1M, ger den hostade vägen den inte till dig i dag, och självhosting är den enda vägen som gör det.

Local betyder 57 GB, inte 130

Lanseringsinlägget säger att modellen ”kan få plats på konsumenthårdvara såsom NVIDIA DGX Spark”, och medierapporteringen har gjort det till ”körs på en MacBook”. Nedladdningsstorlekarna visar vilken artefakt varje påstående handlar om.

• BF16-instruct-checkpointen är 129,57 GB. I sig själv, innan någon KV-cache eller runtime-overhead, kräver den en accelerator i 192 GB-klassen eller en uppdelning över flera GPU:er.

• NVFP4-bygget är 57,22 GB. Det får plats i en maskin med 128 GB enhetligt minne, med utrymme för en arbetskontext – och det är märkt som experimentellt, med attention kvar i BF16.

• DFlash2-draftaren lägger till 8,08 GB och ger spekulativ avkodning, inte kvalitet.

Siffran 250 tok/s är en datacenter-siffra: 2×B200 vid batch 8, före kvantisering och anpassade kärnor. På en Spark byter du genomströmning mot att lådan står på ditt skrivbord. Ingen av siffrorna är fel; de tillhör bara olika maskiner, och den lokala historien fungerar bara med den kvantiserade kontrollpunkten.

Vad ett samtal kostar

Den första hostade slutpunkten anger $0,20 per miljon indatatoken och $0,60 per miljon utdata, med cachade indataläsningar på $0,05. Räknat på ett realistiskt agentanrop – en prompt på 16 000 token mot hela fönstret, som returnerar 2 000 token – blir det $0,0032 in och $0,0012 ut, eller cirka $0,0044. Kör du 10 miljoner token per dag genom den med en 80/20-fördelning mellan indata och utdata landar du på $2,80.

Cachning är hävstången värd att använda. En upprepad systemprompt på 16 000 tokens kostar $0.0008 till det cachade priset i stället för $0.0032, en fyrfaldig minskning på inputsidan – vilket för en agent som skickar samma verktygsdefinitioner varje tur utgör större delen av räkningen.

Var OrcaRouter passar in: vi erbjuder inte Ripple-65B Preview i dag, så det finns inget påslag att jämföra och ingen anledning att låtsas något annat. Det previewn däremot förändrar är argumentet för att hålla en obeprövad modell borta från din produktionsväg medan du mäter den. Routa den befintliga leverantör som din trafik redan är beroende av genom en enda nyckel — 200+ modeller, leverantörens listpris förs vidare med 0 % påslag, automatisk failover när en leverantör vacklar — och placera Ripple bredvid i en offline-utvärdering i stället för framför användarna. Om siffrorna håller flyttar routing DSL en del av trafiken utan en andra integration; om de inte gör det var reservalternativet aldrig ifrågasatt.

Vem bör prova det, och vad skulle förändra bilden

Prova det nu om du bygger en terminal- eller shellagent, du vill ha en Apache 2.0-checkpoint som du kan finjustera utan en jurist, och ett 16K-fönster räcker för din loop. Den densa arkitekturen är en genuin fördel för alla som serverar på blygsam hårdvara — ingen expert-routing, ingen all-to-all, förutsägbar latens — och en dens 65B-modell på 80,5 på Terminal-Bench är ett resultat värt att reproducera på dina egna uppgifter i stället för att argumentera om.

Vänta om du behöver lång kontext från en hostad endpoint, om ditt arbete är MCP-tungt eller vetenskaplig kod, eller om du behöver någon siffra som inte producerades av labbet som tränade modellen. Det finns ännu ingen oberoende utvärdering: ingen post i Artificial Analysis och ingen tredjepartsreproduktion av 80.52. För en Preview-utgåva som är en dag gammal är det normalt snarare än misstänkt — men det innebär att varje siffra i den här artikeln som kommer från Ricursive är märkt som deras av en anledning.

Tre saker skulle avgöra det. En andra harness-körning utförd av någon som inte tränade modellen. En värd som serverar fler än 16,384 token, vilket skulle visa oss om påståendet om 1M kontext överlever kontakten med en scheduler. Och en checkpoint som inte är en förhandsversion, eftersom Ricursive har varit tydliga med att efterträningen här var lätt och att den interna varianten bakom deras chipdesignplattform är produkten de egentligen bygger. Fram till dess är rubriken ett påstående och nedladdningen verklig — och gapet mellan dem är precis där nästa månads utvärdering kommer att ske.