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.

ℹ Что такое agentic coding?
Agentic coding (агентное кодирование) — это подход, при котором языковая модель самостоятельно решает многошаговые задачи разработки: пишет код, запускает тесты, анализирует ошибки и итеративно улучшает результат без помощи человека.

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

МодельВсего параметровАктивных параметровTerminalBench 2.1
Ripple-65B Preview65B65B80.52
Reflection Beam 501B501B23B80.1
Meta Muse Spark Open 816B816B42B76.4
Thinking Machines Inkling 975B975B41B63.8
NVIDIA Nemotron 3 Ultra 550B550B55B56.4
💡 Ключевое преимущество
В отличие от конкурентов, использующих архитектуру MoE (Mixture-of-Experts, смесь экспертов), Ripple-65B — плотная (dense) модель: все 65B параметров задействованы при каждом запросе. Это упрощает инфраструктуру и делает модель предсказуемой в работе.

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.

⚠ Оговорка о бенчмарках
Все приведённые результаты на TerminalBench 2.1 — самоотчётные данные компании. Независимая проверка на момент публикации не проводилась. Часть комментаторов указывает, что оговорка «лучший среди US open-weight» намеренно сужает конкурентное поле.

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.