Ripple-65B: новый лидер среди open-weight моделей для агентного кодинга
Ricursive Intelligence выпустила Ripple-65B Preview — 65B dense-модель, побившую конкурентов в 10–15 раз крупнее на бенчмарке TerminalBench 2.1 всего за $32 млн.
Лид
Ricursive Intelligence выпустила Ripple-65B Preview — open-weight языковую модель, установившую новый рекорд среди американских открытых моделей в задачах агентного кодинга. Модель набрала 80.52 на TerminalBench 2.1, превзойдя значительно более крупных конкурентов, а весь цикл разработки от нуля обошёлся всего в $32 млн — в десять раз дешевле предыдущего лидера.
Что такое Ripple-65B Preview
Ripple-65B Preview — это 65-миллиардный dense Transformer (плотная трансформерная архитектура без разреженных экспертных блоков), предобученный на 12 триллионах токенов с поддержкой контекстного окна до 1 миллиона токенов.
Архитектура построена по принципу «тонкий и глубокий» (thin-and-deep): d_model равен 5120 при 80 слоях, что позволяло команде поддерживать 40% MFU (Model FLOPs Utilization — эффективность использования вычислений) в течение всего обучения без кастомных ядер и квантизации.
Релиз включает три чекпоинта: instruction-tuned BF16-модель, версию NVFP4 и базовую BF16-модель без тонкой настройки.
Результаты на бенчмарках
Ripple-65B Preview набирает 80.52 на TerminalBench 2.1, превосходя значительно более крупные американские open-weight модели: Reflection Beam 501B (80.1), Meta Muse Spark Open 816B (76.4), Thinking Machines Inkling 975B (63.8) и NVIDIA Nemotron 3 Ultra 550B (56.4).
На других бенчмарках Ripple-65B Preview показывает: 79.1 на SWE-bench Pro v2.0 Hard, 44.3 на DeepSWE 1.1, 90.5 на Math HMMT February 2026 и 83.8 на FORTRESS Adversarial.
Сравнение моделей
| Модель | Всего параметров | Активных параметров | TerminalBench 2.1 |
|---|---|---|---|
| Ripple-65B Preview | 65B | 65B | 80.52 |
| Reflection Beam 501B | 501B | 23B | 80.1 |
| Meta Muse Spark Open 816B | 816B | 42B | 76.4 |
| Thinking Machines Inkling 975B | 975B | 41B | 63.8 |
| NVIDIA Nemotron 3 Ultra 550B | 550B | 55B | 56.4 |
На датацентровых GPU модель достигает скорости генерации 250 токенов/сек на конфигурации 2×B200 при batch=8 без квантизации и кастомных ядер.
Эффективность обучения
Модель предобучена на 12 триллионах токенов с контекстом до 1M, потребовала $32 млн на разработку и достигла своего результата на бенчмарке, использовав лишь 1.4 млн RL-роллаутов (rollouts — итераций обучения с подкреплением) — примерно в 70 раз меньше, чем Reflection Beam.
Мы разработали и обучили Ripple-65B Preview за $32 млн — это одна десятая от стоимости предыдущего open-weight SOTA в агентном кодинге. — Ricursive Intelligence
На этапе предобучения команде удалось добиться 16-кратного выигрыша по вычислительной эффективности на коде относительно базовой линии OLMo 3 за счёт улучшений в законах масштабирования, архитектуре и данных.
graph TD
A[Предобучение с нуля\n12T токенов] --> B[Dense Transformer\n80 слоёв, d_model 5120]
B --> C[RL-постобучение\\n1.4M роллаутов]
C --> D[TerminalBench 2.1\n80.52 — лучший среди US open-weight]
D --> E[Доступно локально\nMacBook Pro / DGX Spark]
Доступность и лицензия
Модель поддерживает до 1 миллиона токенов контекста и распространяется под лицензией Apache 2.0. Ripple-65B Preview доступна на Hugging Face, Together AI, GMI Cloud и OpenRouter.
Запустить Ripple-65B можно локально — модель работает на MacBook Pro или NVIDIA DGX Spark.
Значение для отрасли
Ripple-65B — первая модель Ricursive Intelligence в открытом доступе, обошедшая в агентном кодинге MoE-модели весом до 975B. Её выход показывает: MoE — не единственный путь к frontier-уровню производительности.
Команда построила собственные пайплайны синтетических данных вместо покупки готовых posttraining-данных и совместно проектировала архитектуру под железо, на котором модель обучается и запускается в инференсе.
Внутренний вариант модели уже используется в платформе Ricursive для AI-проектирования чипов. Это делает Ripple-65B не просто академическим достижением, а работающим продуктом, проверенным в реальном производстве.