Modèles

Ricursive publie Ripple-65B Preview, un modèle à poids ouverts sous licence Apache 2.0 pour le code agentique, dérivé de son modèle de conception de puces

Ricursive a publié Ripple-65B Preview le 4 nov. : 65 Md dense, Apache 2.0, pour le code agentique, pas pour concevoir des puces. Benchmarks auto-déclarés.

Par Audryk · 6 novembre 2026

• Modèles
• #Ricursive
• #Ripple-65B
• #poids ouverts
• #Apache 2.0
• #code agentique
• #Terminal-Bench
• #conception de puces

Le 4 novembre 2026, Ricursive Intelligence, un laboratoire qui crée de l'IA pour la conception de puces, a publié Ripple-65B Preview : un modèle dense de 65 milliards de paramètres, à poids ouverts sous licence Apache 2.0. Ce modèle n'est pas lui-même un outil de conception de puces. Ricursive le décrit comme une variante généraliste du modèle propriétaire de sa plateforme de conception de puces, avec un post-entraînement centré sur le code agentique. Son résultat phare est auto-déclaré, et « poids ouverts » ne veut pas dire « open source » : les données d'entraînement n'ont pas été publiées.

L'essentiel

• Ce que c'est : 65 Md de paramètres, dense, préentraîné de zéro sur 12 000 milliards de jetons, surtout anglais et code, texte seul, avec un contexte annoncé jusqu'à 1 million de jetons.
• La licence : Apache 2.0 sur les poids, avec des points de contrôle BF16 instruct, NVFP4 expérimental, de base et un modèle brouillon sur Hugging Face.
• L'affirmation : 80,5 sur Terminal-Bench 2.1, présenté comme le meilleur score parmi les modèles à poids ouverts américains. C'est le résultat de Ricursive.
• La rectification : c'est un modèle généraliste orienté code, pas un modèle pour concevoir des puces.
• Le coût annoncé : 32 millions de dollars de R&D complète, selon Ricursive, sans audit.

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

C'est le premier modèle public de Ricursive, un laboratoire de Palo Alto cofondé par Anna Goldie et Azalia Mirhoseini, qui avaient travaillé sur AlphaChip de Google. Ricursive a choisi une architecture dense plutôt qu'un mélange d'experts pour simplifier l'entraînement et le service. Le modèle raisonne toujours dans des balises de réflexion, sans interrupteur pour le désactiver. Le post-entraînement est décrit comme relativement léger, et la version est une préversion.

Quelle est la solidité des benchmarks ?

Sur Terminal-Bench 2.1, Ricursive annonce 80,5, soit à peu près à égalité avec le modèle Reflection Beam de 501 Md à 80,1, et devant Muse Spark Open de Meta. L'affirmation se limite aux modèles à poids ouverts américains : certains modèles ouverts chinois seraient mieux notés, bien que les chiffres diffèrent selon les suivis. Tous les résultats sont auto-déclarés, et la fiche du modèle indique elle-même que les scores Terminal-Bench étaient généralement plus bas avec le banc officiel. La comparaison de Ricursive montre Beam devant sur plusieurs tests, dont SWE-bench Verified (81,6 contre 76,5). Le graphique de lancement et la fiche du modèle divergent aussi sur certains scores de concurrents.

Est-ce vraiment de l'open source ?

Les poids sont ouverts sous Apache 2.0, qui autorise l'usage commercial. La couverture lue ne dit pas que les données d'entraînement, le code d'entraînement ou la recette complète ont été publiés ; « poids ouverts » est donc le terme exact. Vérifiez le fichier de licence et la fiche du modèle avant de construire dessus.

Peut-on l'exécuter, et combien cela coûte-t-il ?

En BF16, le modèle demande environ deux GPU B200. Le point de contrôle NVFP4, d'environ 57 Go, tournerait sur un DGX Spark, une requête à la fois avec 128 000 jetons de contexte. Des tarifs hébergés de 0,20 $ par million de jetons en entrée et 0,60 $ en sortie figurent chez Together AI et OpenRouter. Le contexte est annoncé jusqu'à 1 million de jetons, mais un point d'accès hébergé était signalé plafonné à 16 384.

Qu'est-ce qui n'est pas établi ?

• Une vérification indépendante du score de 80,5, du banc utilisé et des autres affirmations de benchmark.
• Le coût : les 32 millions de dollars et la comparaison « un dixième » sont des estimations de Ricursive.
• Si le contexte de 1 million de jetons tient en pratique.
• Si la filiation avec la conception de puces aide réellement les performances en code.
• Ce qui a été publié au-delà des poids : données et code d'entraînement non signalés comme ouverts.

Tableau récapitulatif

Questions fréquentes

Ripple-65B est-il un modèle de conception de puces ?

Non. C'est une variante généraliste du modèle de la plateforme de conception de puces de Ricursive, post-entraînée pour le code agentique.

Ripple-65B est-il open source ?

Ses poids sont sous Apache 2.0 : il est à poids ouverts. Les données et le code d'entraînement n'ont pas été signalés comme publiés.

Est-ce le meilleur modèle ouvert ?

Seulement parmi les modèles à poids ouverts américains, d'après le benchmark de Ricursive lui-même. Certains modèles ouverts chinois seraient mieux notés.

Méthode et limites

Sources au 6 novembre 2026. Nous avons lu la page du modèle chez Together AI, le profil de BenchLM et des analyses d'eesel et de DEV Community, ainsi qu'une présentation de Digital Applied. Nous n'avons pas pu ouvrir l'article de MarkTechPost et n'avons pas lu directement le billet de lancement de Ricursive ni la fiche du modèle. Nous n'avons rien téléchargé ni exécuté.

Sources

• Together AI : Ripple-65B Preview (vérifié le 2026-11-06)
• BenchLM : Ripple-65B Preview benchmarks and context (vérifié le 2026-11-06)
• eesel : Ripple-65B review (vérifié le 2026-11-06)
• DEV Community : Ricursive's Ripple-65B Preview, explained honestly (vérifié le 2026-11-06)
• Digital Applied : Ripple-65B Preview, a new US open-weight model (vérifié le 2026-11-06)

Une erreur dans cet article ? Signalez-la · Notre politique de corrections