Introducción
Ricursive Intelligence presentó el 4 de noviembre de 2026 Ripple-65B Preview, un modelo de inteligencia artificial de pesos abiertos diseñado para destacar en tareas de razonamiento y programación agéntica. Con 65.000 millones de parámetros, el sistema consigue una puntuación autorreportada de 80,52 en Terminal-Bench 2.1, superando en esa evaluación a varios modelos estadounidenses de mayor tamaño.
El lanzamiento supone la llegada de una variante de propósito general de la tecnología propietaria que Ricursive utiliza en su plataforma de diseño de chips mediante inteligencia artificial.
Ripple-65B Preview se ha preentrenado desde cero utilizando 12 billones de tokens, admite ventanas de contexto de hasta un millón de tokens y se distribuye bajo licencia Apache 2.0. Su arquitectura densa implica que los 65.000 millones de parámetros participan en el procesamiento de cada token, a diferencia de los modelos de mezcla de expertos (MoE), que activan una parte de sus parámetros en cada operación.
Contexto: un modelo más pequeño frente a competidores de gran escala
Uno de los aspectos más destacados de Ripple-65B Preview es su rendimiento en Terminal-Bench 2.1, una evaluación que mide la capacidad de agentes de inteligencia artificial para resolver tareas de programación utilizando una terminal.
Según las cifras publicadas por Ricursive, Ripple alcanza el mejor resultado autorreportado entre los modelos estadounidenses de pesos abiertos incluidos en esta comparación.
| Modelo | Parámetros totales | Terminal-Bench 2.1 |
|---|---|---|
| Ripple-65B Preview | 65.000 millones | 80,52 |
| Reflection Beam | 501.000 millones | 80,1 |
| Meta Muse Spark Open | 816.000 millones | 76,4 |
| Thinking Machines Inkling | 975.000 millones | 63,8 |
| NVIDIA Nemotron 3 Ultra | 550.000 millones | 56,4 |
Resultados autorreportados por Ricursive y puntuaciones de competidores recogidas en su comparativa. La clasificación corresponde a Terminal-Bench 2.1.
La diferencia de tamaño es considerable. Mientras Reflection Beam utiliza 501.000 millones de parámetros totales y Thinking Machines Inkling alcanza los 975.000 millones, Ripple funciona con una arquitectura densa de 65.000 millones.
Esta comparación muestra cómo Ricursive ha priorizado el rendimiento en tareas agénticas sin recurrir a una arquitectura de cientos de miles de millones de parámetros totales.
Rendimiento en otras pruebas de programación
Los resultados de Ripple también abarcan evaluaciones centradas en ingeniería de software, resolución de problemas y programación científica.
La compañía comunica una puntuación de 79,1 en SWE-bench Pro v2.0-Hard. En otras evaluaciones, los resultados presentan diferencias importantes según el tipo de tarea.
| Benchmark | Ripple-65B Preview | Comparación destacada |
|---|---|---|
| SWE-bench Pro v2.0-Hard | 79,1 | — |
| DeepSWE v1.1 | 44,3 | Claude Opus 5.5: 74,2 |
| SWE-bench Verified | 76,5 | Reflection Beam: 81,6 |
| SciCode | 39,4 | Su resultado más débil en la comparativa |
Las cifras de rendimiento de Ripple son autorreportadas por Ricursive. Las comparaciones corresponden a las versiones específicas indicadas para cada benchmark.
En DeepSWE v1.1, Ripple obtiene 44,3 puntos, por debajo de los 74,2 atribuidos a Claude Opus 5.5 en esa misma versión. En SWE-bench Verified también queda detrás de Reflection Beam, mientras que SciCode aparece como su área de menor rendimiento dentro de las evaluaciones destacadas.
En conjunto, los datos sitúan la principal fortaleza de Ripple en las tareas de programación agéntica evaluadas por Terminal-Bench 2.1, con resultados más desiguales en otras categorías.
Una arquitectura densa de 80 capas
Ricursive desarrolló Ripple-65B Preview utilizando una arquitectura Transformer densa denominada thin-and-deep, caracterizada por una estructura relativamente estrecha y profunda.
El modelo incorpora 80 capas y una dimensión residual de 5.120, además de varias técnicas destinadas a mejorar el comportamiento del sistema:
- Atención de ventana deslizante: permite procesar información utilizando ventanas de atención delimitadas.
- NoPE global: incorpora un mecanismo de atención global sin codificaciones posicionales explícitas.
- Residuos de valor: añaden conexiones que reutilizan información de valor entre componentes de la arquitectura.
El diseño responde al objetivo de Ricursive de desarrollar un modelo con buenas capacidades de razonamiento y programación agéntica, manteniendo una infraestructura de entrenamiento y ejecución menos compleja que la de otras arquitecturas.
El sistema combina su estructura densa con una capacidad de contexto de hasta un millón de tokens.
Un coste de desarrollo de 32 millones de dólares
Otro de los datos destacados del lanzamiento es el presupuesto de investigación y desarrollo.
Ricursive cifra el coste total de I+D de Ripple-65B Preview en 32 millones de dólares, incluyendo experimentación, preparación de datos, evaluaciones y entrenamiento.
Según la empresa, esta cantidad representa aproximadamente una décima parte del coste asociado al anterior referente de modelos abiertos en programación agéntica.
La compañía también informa que utilizó 1,4 millones de rollouts de aprendizaje por refuerzo, aproximadamente 70 veces menos que Reflection Beam.
Los rollouts son ejecuciones utilizadas durante el aprendizaje por refuerzo para generar experiencias y señales de entrenamiento. Su cantidad constituye uno de los indicadores del trabajo realizado durante esta etapa.
Estos datos reflejan el enfoque de Ricursive en la eficiencia del desarrollo, tanto por el presupuesto comunicado como por el volumen de ejecuciones empleado durante el entrenamiento por refuerzo.
Versiones disponibles y plataformas de acceso
Ricursive ha publicado tres checkpoints principales de Ripple-65B Preview, adaptados a distintas necesidades de ejecución.
| Versión | Características |
|---|---|
| Instruction-tuned BF16 | Modelo ajustado para seguir instrucciones, con precisión BF16 |
| NVFP4 | Variante que utiliza cuantización NVFP4 |
| Base BF16 | Modelo base con precisión BF16 |
Los pesos están disponibles en Hugging Face bajo licencia Apache 2.0.
Ricursive también incluye entre las opciones de acceso a Together AI, GMI Cloud y OpenRouter, mientras que Fireworks figura como una incorporación próxima.
La publicación de distintas versiones permite disponer tanto del modelo ajustado para instrucciones como de su checkpoint base y de una alternativa cuantizada.
Ricursive en contexto
Ricursive Intelligence fue fundada a finales de 2025 por Anna Goldie, directora ejecutiva, y Azalia Mirhoseini, directora de tecnología, dos investigadoras vinculadas al desarrollo de AlphaChip de Google. La empresa trabaja en el diseño de chips mediante inteligencia artificial, y Ripple-65B Preview representa una variante de propósito general del modelo propietario que impulsa su plataforma.
Qué representa Ripple-65B Preview
El lanzamiento de Ripple-65B Preview incorpora un nuevo competidor al segmento de modelos de pesos abiertos especializados en razonamiento y programación agéntica.
Su principal característica es la combinación de una arquitectura densa de 65.000 millones de parámetros con un rendimiento destacado en Terminal-Bench 2.1 y un coste de desarrollo que Ricursive sitúa en 32 millones de dólares.
Los resultados también reflejan diferencias entre evaluaciones: el modelo destaca en Terminal-Bench 2.1 y SWE-bench Pro v2.0-Hard, mientras que DeepSWE, SWE-bench Verified y SciCode muestran otros aspectos de su rendimiento.
Con su publicación bajo Apache 2.0 y su disponibilidad mediante checkpoints BF16 y NVFP4, Ricursive lleva parte de su investigación en modelos de IA al ecosistema de pesos abiertos.
