¿Qué es Ripple-65B Preview? El modelo abierto de 65B que supera a rivales más grandes

Ricursive Intelligence lanzó Ripple-65B Preview el 4 de noviembre de 2026 — un modelo denso de pesos abiertos con 65 mil millones de parámetros que, a pesar de su tamaño, registra la puntuación más alta autoreportada en codificación agéntica entre los modelos de pesos abiertos estadounidenses. Supera a modelos muchas veces más grandes en pruebas clave, se distribuye bajo la licencia Apache 2.0 y cabe en una sola máquina. Esto es lo que Ripple-65B Preview realmente es, cómo rinde en benchmarks y las advertencias que vale la pena conocer antes de confiar en el titular.

¿Qué es Ripple-65B Preview?

Ripple-65B Preview es un Transformer denso de 65B parámetros, preentrenado desde cero con 12 billones de tokens, con soporte para hasta 1 millón de tokens de contexto. Se publica bajo la permisiva licencia Apache 2.0, con pesos que puedes descargar y ejecutar tú mismo.

El modelo proviene de Ricursive Intelligence, una startup de Palo Alto más conocida por el diseño de chips de IA que por los LLM de frontera. Ripple es una variante de propósito general del modelo propietario que impulsa la plataforma de diseño de chips de Ricursive — ahora ofrecida a todos como una versión de pesos abiertos. Los cofundadores Anna Goldie y Azalia Mirhoseini, quienes trabajaron en AlphaChip de Google, lideran el proyecto, y el lanzamiento recibió felicitaciones públicas de Jeff Dean de Google.

La etiqueta "Preview" es importante. Según el propio relato de Ricursive, la versión pasó por un post-entrenamiento relativamente ligero enfocado en codificación agéntica, por lo que es un punto de control temprano y no un producto terminado.

Benchmarks de Ripple-65B Preview

La afirmación principal es 80.52 en Terminal-Bench 2.1, un benchmark que mide qué tan bien un modelo escribe y ejecuta código dentro de una terminal. En la ficha del modelo de Ricursive, esa puntuación lidera el campo de pesos abiertos estadounidenses con el que fue comparado:

Dos aspectos destacan. Primero, cada rival en esa tabla es un modelo Mixture-of-Experts (MoE) con muchos más parámetros totales — Ripple es denso y mucho más pequeño, pero supera a los demás en Terminal-Bench 2.1 y SWE-bench Pro v2.0 Hard. Segundo, el panorama no es una victoria absoluta: Reflection Beam sigue liderando en SWE-bench Verified, Muse Spark Open gana en DeepSWE 1.1, y los modelos más grandes mantienen una ligera ventaja en conocimiento general (MMLU) y algunas pruebas de matemáticas.

En otras palabras, Ripple es más fuerte exactamente donde fue ajustado — codificación agéntica — y simplemente competitivo en el resto.

Por qué un modelo denso pequeño puede superar a los más grandes

Ricursive tomó una apuesta arquitectónica deliberada. En lugar de los diseños MoE que la mayoría de los laboratorios usan ahora, entrenó un Transformer denso modernizado para mantener la infraestructura de entrenamiento y servicio simple. El modelo utiliza una forma "delgada y profunda" — un d_model estrecho de 5,120 a lo largo de 80 capas — y una arquitectura similar a Gemma-3N elegida por su estabilidad de entrenamiento a escala.

La historia de eficiencia es el verdadero titular. Ricursive estima el costo total de I+D en aproximadamente 32 millones de dólares, lo que calcula que es aproximadamente una décima parte del costo del anterior líder de pesos abiertos en codificación agéntica. También reporta haber alcanzado su puntuación en Terminal-Bench con 1.4 millones de rollouts de RL — aproximadamente 70 veces menos que los que usó Reflection Beam. En relación con su propia línea base Olmo 3, Ricursive reporta una ganancia de eficiencia computacional de 16x en código, que sube a 55x a escala completa.

Esos números provienen de Ricursive, no de un laboratorio independiente, así que trátelos como cifras autoreportadas del proveedor hasta que terceros las reproduzcan.

¿Puedes ejecutar Ripple-65B Preview localmente?

Sí — ese es gran parte del objetivo. Con 65B parámetros totales, Ripple es lo suficientemente pequeño como para caber en hardware de clase consumidor como el DGX Spark de NVIDIA, y Ricursive lo posiciona para el desarrollo local. Lanzó tres checkpoints: un modelo BF16 ajustado por instrucciones, una versión cuantizada NVFP4 y un modelo base BF16, además de un Colab para comenzar.

En GPUs de centro de datos, Ricursive reporta alrededor de 250 tokens/segundo en 2xB200 con tamaño de lote 8, antes de cualquier cuantización o kernels personalizados.

Puedes obtener los pesos y acceso alojado desde:

• Hugging Face — ricursiveAI/Ripple-65B-Preview (pesos Apache 2.0)
• Socios de API — Together AI, GMI Cloud y OpenRouter, con Fireworks listado como disponible el día del lanzamiento

Qué tan sólida es la afirmación de "SOTA de pesos abiertos en EE. UU."

La afirmación es real pero acotada. "Estado del arte para modelos de pesos abiertos estadounidenses" excluye los modelos cerrados y los modelos abiertos no estadounidenses, por lo que no es una declaración de que Ripple sea el mejor modelo, ni siquiera el mejor modelo abierto, en general. La cobertura independiente señaló que Ripple queda por detrás de algunos modelos abiertos más grandes en otros benchmarks.

Algunas advertencias honestas:

• Autoreportado. Las puntuaciones principales son las propias de Ricursive; la misma Ricursive señala que las puntuaciones de evaluación agéntica varían mucho según el arnés y la configuración utilizados.
• Preview, no final. El post-entrenamiento ligero significa que el comportamiento puede cambiar en versiones posteriores.
• Afirmación acotada. La afirmación de liderazgo es específica para modelos de pesos abiertos estadounidenses en codificación agéntica, no un ranking universal.

Nada de eso borra el logro — un modelo denso de 65B que iguala o supera a rivales de 500B a 975B en tareas de codificación difíciles es un resultado genuino. Solo significa que el encuadre merece el mismo escrutinio que cualquier benchmark del día de lanzamiento.

Ripple-65B Preview vs Reflection Beam y Muse Spark Open

Si estás eligiendo entre los modelos de codificación de pesos abiertos recientes, la compensación es principalmente tamaño versus amplitud:

• Ripple-65B Preview — el más pequeño y económico de ejecutar; el mejor en Terminal-Bench 2.1 y SWE-bench Pro v2.0 Hard; denso y fácil de servir localmente.
• Reflection Beam (501B) — más fuerte en SWE-bench Verified; MoE mucho más grande, más pesado de alojar.
• Muse Spark Open (816B) — gana en DeepSWE 1.1 y MCP Atlas; un lanzamiento más grande de Meta con amplia cobertura.

Para equipos que quieren un modelo de codificación desplegable localmente y pueden aceptar la madurez de "Preview", Ripple es la nueva opción más interesante. Para máxima amplitud en evaluaciones de codificación, los modelos más grandes aún tienen ventaja en algunos aspectos.

Ejecuta modelos abiertos en tu propia fuerza laboral de IA

Ripple-65B Preview está diseñado exactamente para el tipo de trabajo que los agentes hacen todo el día: leer un repositorio, escribir código y ejecutar comandos en una terminal. Eigent es una aplicación de escritorio multi-agente de código abierto tipo "Cowork" que ejecuta ese flujo de trabajo localmente — apunta a un equipo de agentes hacia una tarea como revisar pull requests de GitHub y mantén el modelo y tus datos en tu propia máquina. Si quieres combinar un modelo de pesos abiertos local con un runtime de agentes local, descarga Eigent y comienza a construir tu propia fuerza laboral de IA.