O Que É o Ripple-65B Preview? O Modelo Open de 65B Que Supera Rivais Maiores

A Ricursive Intelligence lançou o Ripple-65B Preview em 4 de novembro de 2026 — um modelo open-weight denso de 65 bilhões de parâmetros que, apesar do seu tamanho, registra a maior pontuação autorreportada em codificação agêntica entre os modelos open-weight americanos. Ele supera modelos muitas vezes maiores nos principais testes, é distribuído sob a licença Apache 2.0 e cabe em uma única máquina. Veja o que o Ripple-65B Preview realmente é, como ele se sai nos benchmarks e os pontos de atenção que vale conhecer antes de confiar no título.

O que é o Ripple-65B Preview?

O Ripple-65B Preview é um Transformer denso de 65B parâmetros, pré-treinado do zero em 12 trilhões de tokens, com suporte a até 1 milhão de tokens de contexto. Ele é lançado sob a licença permissiva Apache 2.0, com pesos que você pode baixar e executar por conta própria.

O modelo vem da Ricursive Intelligence, uma startup de Palo Alto mais conhecida pelo design de chips de IA do que por LLMs de fronteira. O Ripple é uma variante de uso geral do modelo proprietário que alimenta a plataforma de design de chips da Ricursive — agora oferecida a todos como um lançamento open-weight. Os cofundadores Anna Goldie e Azalia Mirhoseini, que trabalharam no AlphaChip do Google, lideram o projeto, e o lançamento recebeu parabéns públicos de Jeff Dean, do Google.

O rótulo "Preview" é importante. Segundo a própria Ricursive, o lançamento passou por um pós-treinamento relativamente leve com foco em codificação agêntica, sendo, portanto, um checkpoint inicial e não um produto finalizado.

Benchmarks do Ripple-65B Preview

A principal afirmação é 80,52 no Terminal-Bench 2.1, um benchmark que mede a capacidade de um modelo de escrever e executar código dentro de um terminal. No model card da Ricursive, essa pontuação lidera o campo open-weight americano com o qual foi comparado:

Dois pontos se destacam. Primeiro, todos os rivais nessa tabela são modelos Mixture-of-Experts (MoE) com muito mais parâmetros totais — o Ripple é denso e bem menor, mas ainda assim supera os concorrentes no Terminal-Bench 2.1 e no SWE-bench Pro v2.0 Hard. Segundo, o quadro não é uma vitória absoluta: o Reflection Beam ainda lidera no SWE-bench Verified, o Muse Spark Open vence no DeepSWE 1.1, e os modelos maiores mantêm uma leve vantagem em conhecimento geral (MMLU) e em parte da matemática.

Em outras palavras, o Ripple é mais forte exatamente onde foi ajustado — codificação agêntica — e apenas competitivo nas demais áreas.

Por que um modelo denso menor pode superar modelos maiores

A Ricursive fez uma aposta deliberada de arquitetura. Em vez dos designs MoE que a maioria dos laboratórios usa atualmente, ela treinou um Transformer denso modernizado para manter a infraestrutura de treinamento e inferência simples. O modelo usa um formato "fino e profundo" — um d_model estreito de 5.120 ao longo de 80 camadas — e uma arquitetura semelhante ao Gemma-3N, escolhida pela estabilidade de treinamento em escala.

A história de eficiência é o verdadeiro destaque. A Ricursive estima o custo total de P&D em aproximadamente US$ 32 milhões, o que representa cerca de um décimo do custo do líder anterior em open-weight para codificação agêntica. Ela também relata ter atingido sua pontuação no Terminal-Bench com 1,4 milhão de rollouts de RL — aproximadamente 70 vezes menos do que o Reflection Beam utilizou. Em relação ao seu próprio baseline Olmo 3, a Ricursive reporta um ganho de eficiência computacional de 16x em código, chegando a 55x em escala total.

Esses números vêm da Ricursive, não de um laboratório independente, portanto trate-os como dados autorreportados pelo fornecedor até que terceiros os reproduzam.

Você pode rodar o Ripple-65B Preview localmente?

Sim — esse é grande parte do objetivo. Com 65B parâmetros totais, o Ripple é pequeno o suficiente para caber em hardware de nível consumidor, como o DGX Spark da NVIDIA, e a Ricursive o posiciona para desenvolvimento local. Foram lançados três checkpoints: um modelo BF16 com ajuste de instrução, uma versão quantizada NVFP4 e um modelo base BF16, além de um Colab para começar.

Em GPUs de datacenter, a Ricursive reporta cerca de 250 tokens/segundo em 2xB200 com batch size 8, antes de qualquer quantização ou kernels personalizados.

Você pode obter os pesos e acesso hospedado em:

• Hugging Face — ricursiveAI/Ripple-65B-Preview (pesos Apache 2.0)
• Parceiros de API — Together AI, GMI Cloud e OpenRouter, com o Fireworks listado para entrar no ar no dia do lançamento

Como a afirmação de "SOTA open-weight americano" se sustenta

A afirmação é real, mas restrita. "Estado da arte para modelos open-weight americanos" exclui modelos fechados e modelos open de outros países, portanto não é uma declaração de que o Ripple é o melhor modelo, ou mesmo o melhor modelo open, de forma geral. Cobertura independente observou que o Ripple fica atrás de alguns modelos open maiores em outros benchmarks.

Alguns pontos de atenção honestos:

• Autorreportado. As pontuações principais são da própria Ricursive; a própria empresa observa que pontuações em avaliações agênticas variam bastante dependendo do harness e das configurações utilizadas.
• Preview, não final. O pós-treinamento leve significa que o comportamento pode mudar em versões futuras.
• Afirmação com escopo definido. A liderança é específica para modelos open-weight americanos em codificação agêntica, não um ranking universal.

Nada disso apaga a conquista — um modelo denso de 65B igualando ou superando rivais de 500B a 975B em tarefas difíceis de codificação é um resultado genuíno. Significa apenas que o enquadramento merece o mesmo escrutínio que qualquer benchmark de dia de lançamento.

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

Se você está escolhendo entre modelos open-weight de codificação recentes, a troca é principalmente tamanho versus abrangência:

• Ripple-65B Preview — o menor e mais barato de rodar; melhor no Terminal-Bench 2.1 e no SWE-bench Pro v2.0 Hard; denso e fácil de servir localmente.
• Reflection Beam (501B) — mais forte no SWE-bench Verified; MoE muito maior, mais pesado para hospedar.
• Muse Spark Open (816B) — vence no DeepSWE 1.1 e no MCP Atlas; um lançamento maior da Meta com ampla cobertura.

Para equipes que desejam um modelo de codificação implantável localmente e podem aceitar a maturidade de "Preview", o Ripple é a nova opção mais interessante. Para máxima abrangência em avaliações de codificação, os modelos maiores ainda têm vantagem em alguns pontos.

Execute modelos open na sua própria força de trabalho de IA

O Ripple-65B Preview foi construído exatamente para o tipo de trabalho que agentes fazem o dia todo: ler um repositório, escrever código e executar comandos em um terminal. O Eigent é um aplicativo desktop multi-agente open-source de "Cowork" que executa esse fluxo de trabalho localmente — aponte uma equipe de agentes para uma tarefa como revisar pull requests do GitHub e mantenha o modelo e seus dados na sua própria máquina. Se você quiser combinar um modelo open-weight local com um runtime de agentes local, baixe o Eigent e comece a construir sua própria força de trabalho de IA.