Ricursive AI publie Ripple-65B Preview, un modèle dense open-weight de 65 milliards de paramètres (80,5 sur Terminal-Bench 2.1)

L'intérêt tient à l'écart de taille. Tous les concurrents MoE battus sur Terminal-Bench comptent entre 501 et 975 milliards de paramètres au total, alors que Ripple en utilise 65 milliards, tous actifs. Il tourne en BF16 sur des GPU de centre de données, à environ 250 jetons par seconde sur deux B200. La version NVFP4 vise une machine plus accessible. Ricursive annonce un coût total de R&D de 32 millions de dollars, soit environ un dixième de celui du précédent leader open-weight du codage agentique, et 1,4 million de rollouts de renforcement, contre plus de 100 millions pour Beam, soit environ 70 fois moins. Pour les équipes qui veulent héberger elles-mêmes un agent de code performant, un modèle dense plus simple à déployer constitue une alternative crédible aux géants MoE. Les scores sont toutefois présentés par Ricursive, qui a réalisé en interne les évaluations manquantes avec OpenCode et Terminus 2. Avec le harnais officiel Terminus 2 à 128K, Beam tombe à 70,8 et Muse Spark Open monte à 78,7, toujours sous les 80,5 de Ripple.

Ripple est une variante généraliste du modèle propriétaire qui alimente la plateforme de conception de puces par IA de Ricursive. L'entreprise a choisi une architecture dense plutôt qu'un mélange d'experts pour limiter la complexité d'infrastructure : l'entraînement a tenu 40 % de MFU avec un partitionnement simple, sans noyaux personnalisés ni quantification. Le modèle est étroit et profond (d_model de 5120, 80 couches) et passe d'une disposition proche d'Olmo 3 à un design proche de Gemma 3N, avec attention à portes, NoPE global, résiduels de valeur et écrêtage des activations FFN. La recette a été mise au point par expériences en échelle réduite à partir de la méthode d'Olmo 3, avec un gain de 16 fois en efficacité de calcul sur le code à 4 milliards de paramètres. Le post-entraînement enchaîne midtraining, long contexte, SFT et apprentissage par renforcement mixte, sur des séquences de 2 millions de jetons, avec des données entièrement synthétiques produites en interne. Face à des rivaux comme Reflection, Meta, Thinking Machines et NVIDIA, Ricursive parie sur l'efficacité plutôt que sur la taille.