Ripple-65B Preview : un modèle open-weight pour coder

Ripple-65B Preview est un modèle de langage open-weight publié par Ricursive Intelligence, conçu pour le code agentique, c’est-à-dire des tâches de programmation menées de façon autonome dans un terminal. Avec 65B de paramètres, il obtient 80.52 sur TerminalBench 2.1, devant des modèles américains open-weight bien plus gros. Le laboratoire annonce aussi un coût de développement de 32 millions de dollars et une taille assez réduite pour tourner sur une machine locale.

En bref

Modèle dense de 65B de paramètres, pré-entraîné sur 12 trillions de tokens
80.52 sur TerminalBench 2.1, devant Reflection Beam 501B (80.1)
Contexte jusqu’à 1M de tokens
Disponible sur Hugging Face, Together AI, GMI Cloud et OpenRouter
Coût de R&D annoncé : 32 millions de dollars

Ripple-65B Preview, un modèle de code open-weight

Ricursive Intelligence se présente comme un laboratoire d’IA qui construit des systèmes capables de s’améliorer eux-mêmes, en optimisant ensemble le matériel, le logiciel et le modèle. Pour alimenter sa plateforme de conception de puces, l’entreprise a entraîné un modèle de langage de zéro.

Ripple-65B Preview en est une variante généraliste. Le modèle qui fait tourner la plateforme de Ricursive reste propriétaire. Ici, il s’agit d’un modèle open-weight : ses poids sont publiés, ce qui permet de le télécharger et de l’exécuter soi-même.

Les résultats de Ripple-65B Preview en code agentique

Sur TerminalBench 2.1, un test de tâches de code agentique, Ripple-65B Preview obtient 80.52. Ricursive le présente comme le meilleur score américain open-weight. Les comparaisons viennent de l’annonce de l’éditeur.

Le modèle est pré-entraîné sur 12 trillions de tokens et accepte jusqu’à 1M de tokens de contexte, soit une très grande quantité de texte à la fois.

Reflection Beam 501B : 80.1
Meta Muse Spark Open 816B : 76.4
Thinking Machines Inkling 975B : 63.8
NVIDIA Nemotron 3 Ultra 550B : 56.4

Un modèle qui peut tourner en local

Ripple est un modèle dense : tous ses paramètres servent à chaque token généré, contrairement aux architectures Mixture-of-Experts (MoE) choisies par d’autres laboratoires. Ricursive y voit un bon raisonnement avec une génération à faible latence.

Sa taille réduite lui permet, selon l’annonce, de fonctionner efficacement sur des appareils locaux comme le NVIDIA DGX Spark, qui offre beaucoup de puissance de calcul pour une bande passante mémoire modeste. Le projet ne donne pas de configuration minimale détaillée.

Comment Ripple-65B Preview a été entraîné

Pour l’apprentissage par renforcement, Ricursive dit avoir privilégié l’efficacité de calcul. L’équipe n’a acheté aucune donnée de post-entraînement et a construit ses propres données synthétiques, ses filtres de qualité et ses mesures de couverture. La recette combine échantillonnage d’importance tronqué, centrage des scores et pénalité linéaire de longueur.

Le score de 80.5 a été atteint avec 1,4 million de rollouts (des essais complets de tâches), soit environ 70 fois moins que Reflection Beam, selon Ricursive.

Côté architecture, le modèle est fin et profond : une dimension d_model de 5120 et 80 couches. Il intègre notamment l’écrêtage des activations FFN, l’attention à portes, le NoPE global et les value residuals. Ricursive annonce un taux d’utilisation du matériel (MFU) de 40 %, sans noyaux personnalisés ni quantification.

Le coût de 32 millions de dollars

Ricursive annonce avoir développé et entraîné le modèle pour 32 millions de dollars, soit un dixième du coût du précédent modèle open-weight de référence en code agentique, d’après sa propre estimation. Ce montant couvre toute la R&D : mise au point des essais à petite échelle, mélange de données, évaluations, débogage, données synthétiques et passes finales d’entraînement.

Pour la comparaison, l’entreprise cite des reports de presse selon lesquels Reflection s’engagerait sur 150 millions de dollars par mois de calcul, avec 4 semaines de pré-entraînement et 4 de post-entraînement pour Beam.

Où trouver Ripple-65B Preview

Le modèle est disponible sur Hugging Face, Together AI, GMI Cloud et OpenRouter. Fireworks devait suivre le jour de l’annonce. Ricursive ne communique pas de tarifs dans son annonce ni de licence précise.

L’entreprise indique avoir bâti son travail sur des contributions open source, dont celles de l’équipe Olmo de l’Allen Institute for AI, de Prime Intellect, de RadixArk et de NVIDIA.

Quelques repères

Open-weight : Se dit d’un modèle dont les paramètres appris (les poids) sont publiés. On peut le télécharger et l’exécuter soi-même, sans que tout le reste de sa fabrication soit forcément ouvert.
Modèle dense : Un modèle dont l’ensemble des paramètres est utilisé pour produire chaque mot. Il s’oppose aux modèles à experts, où seule une partie des paramètres est activée à chaque étape.
Apprentissage par renforcement : Une méthode d’entraînement où le modèle essaie des tâches et reçoit une récompense selon le résultat. Il ajuste ensuite son comportement pour obtenir de meilleurs résultats.

Questions fréquentes

Ripple-65B Preview est-il open-weight ?

Oui, Ripple-65B Preview est publié en open-weight par Ricursive Intelligence. Il s’agit d’une variante généraliste du modèle propriétaire qui alimente la plateforme de conception de puces de l’entreprise.

Ripple-65B Preview peut-il tourner en local ?

Oui, selon Ricursive, sa petite taille lui permet de fonctionner efficacement sur des appareils locaux comme le NVIDIA DGX Spark. L’annonce ne donne pas de configuration minimale.

Où utiliser Ripple-65B Preview ?

Ripple-65B Preview est disponible sur Hugging Face, Together AI, GMI Cloud et OpenRouter. Fireworks devait le proposer le jour de l’annonce.

Quel score Ripple-65B Preview obtient-il en code agentique ?

Ripple-65B Preview obtient 80.52 sur TerminalBench 2.1. Ricursive le place devant Reflection Beam 501B (80.1) et Meta Muse Spark Open 816B (76.4).

À retenir

Ripple-65B Preview est un modèle dense de 65B de paramètres qui, selon Ricursive, atteint 80.52 sur TerminalBench 2.1 et accepte jusqu’à 1M de tokens de contexte. Il est disponible sur plusieurs plateformes, pour un coût de développement annoncé de 32 millions de dollars, sans prix d’usage ni licence précisés dans l’annonce.