Qu'est-ce que Ripple-65B Preview ? Le modèle open 65B qui surpasse des rivaux bien plus grands

Ricursive Intelligence a publié Ripple-65B Preview le 4 novembre 2026 — un modèle open-weight dense de 65 milliards de paramètres qui, malgré sa taille, affiche le meilleur score de codage agentique auto-déclaré parmi les modèles open-weight américains. Il surpasse des modèles bien plus grands sur des tests clés, est distribué sous licence Apache 2.0, et tient sur une seule machine. Voici ce qu'est réellement Ripple-65B Preview, comment il se comporte sur les benchmarks, et les mises en garde à connaître avant de faire confiance au titre accrocheur.

Qu'est-ce que Ripple-65B Preview ?

Ripple-65B Preview est un Transformer dense de 65 milliards de paramètres, pré-entraîné de zéro sur 12 000 milliards de tokens, avec une prise en charge d'un contexte allant jusqu'à 1 million de tokens. Il est publié sous la licence permissive Apache 2.0, avec des poids téléchargeables et exécutables par vous-même.

Le modèle provient de Ricursive Intelligence, une startup de Palo Alto davantage connue pour la conception de puces IA que pour les LLM de pointe. Ripple est une variante grand public du modèle propriétaire qui alimente la plateforme de conception de puces de Ricursive — désormais proposée à tous sous forme de publication open-weight. Les co-fondateurs Anna Goldie et Azalia Mirhoseini, qui ont travaillé sur AlphaChip chez Google, dirigent le projet, et le lancement a reçu les félicitations publiques de Jeff Dean de Google.

Le label « Preview » est important. De l'aveu même de Ricursive, la publication a bénéficié d'un post-entraînement relativement léger axé sur le codage agentique, ce qui en fait un point de contrôle précoce plutôt qu'un produit finalisé.

Benchmarks de Ripple-65B Preview

La revendication principale est un score de 80,52 sur Terminal-Bench 2.1, un benchmark qui mesure la capacité d'un modèle à écrire et exécuter du code dans un terminal. Sur la fiche modèle de Ricursive sur Hugging Face, ce score est en tête du classement open-weight américain comparé :

Deux éléments ressortent. Premièrement, chaque concurrent dans ce tableau est un modèle Mixture-of-Experts (MoE) avec bien plus de paramètres au total — Ripple est dense et bien plus petit, et pourtant il devance ses rivaux sur Terminal-Bench 2.1 et SWE-bench Pro v2.0 Hard. Deuxièmement, le tableau n'est pas une victoire nette : Reflection Beam reste en tête sur SWE-bench Verified, Muse Spark Open remporte DeepSWE 1.1, et les modèles plus grands conservent un léger avantage sur les connaissances générales (MMLU) et certaines épreuves mathématiques.

En d'autres termes, Ripple est le plus performant exactement là où il a été affiné — le codage agentique — et simplement compétitif ailleurs.

Pourquoi un petit modèle dense peut surpasser des modèles plus grands

Ricursive a fait un pari architectural délibéré. Au lieu des architectures MoE que la plupart des laboratoires utilisent désormais, il a entraîné un Transformer dense modernisé pour simplifier l'infrastructure d'entraînement et de déploiement. Le modèle adopte une forme « fine et profonde » — un d_model étroit de 5 120 sur 80 couches — et une architecture inspirée de Gemma-3N choisie pour sa stabilité d'entraînement à grande échelle.

L'argument d'efficacité est le véritable point fort. Ricursive estime le coût total de R&D à environ 32 millions de dollars, soit environ un dixième du coût du précédent leader open-weight en codage agentique. Il rapporte également avoir atteint son score sur Terminal-Bench avec 1,4 million de rollouts RL — environ 70 fois moins que Reflection Beam. Par rapport à sa propre base Olmo 3, Ricursive annonce un gain d'efficacité de calcul de 16x sur le code, atteignant 55x à pleine échelle.

Ces chiffres proviennent de Ricursive, et non d'un laboratoire indépendant ; considérez-les donc comme des données auto-déclarées par le fournisseur jusqu'à ce que des tiers les reproduisent.

Peut-on exécuter Ripple-65B Preview en local ?

Oui — c'est en grande partie l'intérêt. Avec 65 milliards de paramètres au total, Ripple est suffisamment petit pour tenir sur du matériel grand public comme le DGX Spark de NVIDIA, et Ricursive le positionne pour le développement local. Trois points de contrôle ont été publiés : un modèle BF16 affiné par instructions, une version quantifiée NVFP4, et un modèle de base BF16, ainsi qu'un Colab pour démarrer.

Sur des GPU de datacenter, Ricursive rapporte environ 250 tokens/seconde sur 2xB200 à une taille de lot de 8, avant toute quantification ou noyau personnalisé.

Vous pouvez obtenir les poids et un accès hébergé depuis :

• Hugging Face — ricursiveAI/Ripple-65B-Preview (poids Apache 2.0)
• Partenaires API — Together AI, GMI Cloud et OpenRouter, avec Fireworks annoncé comme disponible dès le jour du lancement

La solidité de la revendication « SOTA open-weight américain »

La revendication est réelle mais limitée. « État de l'art pour les modèles open-weight américains » exclut les modèles fermés et les modèles open non américains ; ce n'est donc pas une affirmation que Ripple est le meilleur modèle, ni même le meilleur modèle open, de manière générale. Des analyses indépendantes ont noté que Ripple est en retrait par rapport à certains modèles open plus grands sur d'autres benchmarks.

Quelques mises en garde honnêtes :

• Auto-déclaré. Les scores phares sont ceux de Ricursive lui-même ; Ricursive note d'ailleurs que les scores d'évaluation agentique varient beaucoup selon le harnais et les paramètres utilisés.
• Preview, pas final. Un post-entraînement léger signifie que le comportement peut changer dans les versions ultérieures.
• Revendication ciblée. La revendication de leadership est spécifique aux modèles open-weight américains sur le codage agentique, et non un classement universel.

Rien de tout cela n'efface la réussite — un modèle dense de 65B qui égale ou surpasse des rivaux de 500 à 975 milliards de paramètres sur des tâches de codage difficiles est un résultat authentique. Cela signifie simplement que le cadrage mérite le même examen critique que n'importe quel benchmark de lancement.

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

Si vous choisissez parmi les modèles de codage open-weight récents, le compromis est principalement entre taille et polyvalence :

• Ripple-65B Preview — le plus petit et le moins coûteux à exécuter ; le meilleur sur Terminal-Bench 2.1 et SWE-bench Pro v2.0 Hard ; dense et facile à déployer en local.
• Reflection Beam (501B) — plus performant sur SWE-bench Verified ; MoE bien plus grand, plus lourd à héberger.
• Muse Spark Open (816B) — remporte DeepSWE 1.1 et MCP Atlas ; une publication Meta plus large avec une couverture étendue.

Pour les équipes qui souhaitent un modèle de codage déployable en local et peuvent accepter la maturité « Preview », Ripple est la nouvelle option la plus intéressante. Pour une couverture maximale sur les évaluations de codage, les modèles plus grands conservent encore un avantage sur certains points.

Exécutez des modèles open dans votre propre équipe IA

Ripple-65B Preview est conçu exactement pour le type de travail que font les agents toute la journée : lire un dépôt, écrire du code et exécuter des commandes dans un terminal. Eigent est une application de bureau multi-agents open-source « Cowork » qui exécute ce flux de travail en local — confiez à une équipe d'agents une tâche comme la revue de pull requests GitHub et gardez le modèle et vos données sur votre propre machine. Si vous souhaitez associer un modèle open-weight local à un runtime d'agents local, téléchargez Eigent et commencez à construire votre propre équipe IA.