Ripple-65B Preview di Ricursive: SOTA USA open-weight su TerminalBench, pesi Apache 2.0

Il 4 novembre 2026 Ricursive Intelligence ha rilasciato Ripple-65B Preview, un modello di linguaggio denso da 65 miliardi di parametri. È la variante general-purpose del modello che alimenta la loro piattaforma di progettazione chip. I pesi sono pubblici su Hugging Face con licenza Apache 2.0, e il modello è già disponibile via API su OpenRouter, Together AI e GMI Cloud.

Perché se ne parla#

Il claim è ambizioso: secondo Ricursive, Ripple-65B Preview è il nuovo SOTA USA open-weight sull'agentic coding, con 80,52 su TerminalBench 2.1. Nella tabella ufficiale supera Reflection Beam 501B (80,1), Meta Muse Spark Open 816B (76,4), Thinking Machines Inkling 975B (63,8) e NVIDIA Nemotron 3 Ultra 550B (56,4).

Sono numeri del produttore. Al 4 novembre 2026 non risultano verifiche indipendenti. Il modello è comunque scaricabile e usabile via API, quindi i numeri si potranno rifare.

Un altro punto: il contesto dichiarato del modello arriva a 1 milione di token, ma su OpenRouter oggi è esposto solo a 16.384. Vale la pena dirlo subito, perché cambia molto cosa si può fare in pratica via quel canale.

https://x.com/RicursiveAI/status/2118046765857546733

Cos'è, in parole semplici#

Ripple-65B Preview è un LLM denso: non è un Mixture of Experts. Ricursive lo descrive come architettura thin-and-deep: 80 layer, dimensione interna 5120. Tra le scelte dichiarate ci sono FFN activation clipping, gated attention, global NoPE e value residuals.

• Preaddestrato da zero su 12 trilioni di token, secondo la pagina ufficiale.

• Focus agentic coding: è una preview release, con post-training descritto come «relatively light».

• Costo R&D dichiarato: circa 32 milioni di dollari, presentato come circa un decimo del precedente SOTA open-weight su agentic coding (stima loro). Sul reinforcement learning parlano di circa 1,4 milioni di rollout, circa 70 volte meno di Reflection Beam.

• Hardware: Ricursive indica che gira in modo efficiente su dispositivi come NVIDIA DGX Spark (alto FLOPs, bassa bandwidth di memoria). Hugging Face scrive che può stare su hardware consumer come il DGX Spark. Throughput dichiarato: 250 token al secondo su 2×B200 con batch 8, prima di quantizzazione e kernel custom.

Il claim su TerminalBench 2.1#

Nella tabella pubblicata da Ricursive i rivali sono modelli molto più grandi. Ripple, a 65B densi, si colloca in cima al claim USA open-weight sul TerminalBench 2.1.

Come si prova oggi#

I pesi sono su Hugging Face: ricursiveAI/Ripple-65B-Preview, repository pubblico, senza gate. La licenza è Apache 2.0. Sul sito ufficiale risultano anche Together AI, GMI Cloud e OpenRouter; Fireworks era annunciato come in arrivo lo stesso giorno del lancio. I prezzi di Together, GMI e Fireworks non risultano nelle fonti salvate per questo articolo.

Su OpenRouter il modello si chiama ricursiveai/ripple-65b-preview. Provider indicato: GMI Cloud. Prezzi letti il 4 novembre 2026:

from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="la-vostra-chiave",
)
risposta = client.chat.completions.create(
    model="ricursiveai/ripple-65b-preview",
    messages=[{"role": "user", "content": "Sistema questo bug e spiega i passi"}],
)

I limiti da tenere presenti#

Cosa cambia in pratica per un'azienda#

• Per una prova rapida, partite da OpenRouter con un compito di coding agentico e dati non sensibili. Costa 0,20 / 0,60 $ per milione di token.

• Confrontate sul vostro backlog, non sul claim. Un set di ticket o di script da sistemare dice più di un unico benchmark del produttore.

• Se i dati non possono uscire, scaricate i pesi Apache 2.0 e valutate l'hosting interno: il riferimento hardware di Ricursive è il DGX Spark.

• Non progettate ancora flussi da 1M token su OpenRouter: oggi quel canale espone 16K.

• Documentate la fonte dei numeri se li usate in una presentazione interna: sono claim ufficiali, non misurazioni di terzi.

Domande frequenti#