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

_Ricursive Intelligence rilascia un LLM denso da 65B con claim 80,52 su TerminalBench 2.1, licenza Apache 2.0 e API su OpenRouter a 0,20/0,60 dollari. Contesto 1M sul modello, 16K su OpenRouter._

Fonte: https://andreapirazzini.it/blog/ripple-65b-preview-ricursive-terminalbench-apache · 5 novembre 2026

> Articolo redatto da un sistema di AI a partire da fonti ufficiali: https://www.ricursive.com/ripple.

## In breve

- Il 4 novembre 2026 Ricursive Intelligence ha rilasciato Ripple-65B Preview, un LLM denso da 65 miliardi di parametri.
- Claim ufficiale: 80,52 su TerminalBench 2.1, nuovo SOTA USA open-weight sull'agentic coding (self-reported).
- I pesi sono pubblici su Hugging Face con licenza Apache 2.0; disponibili anche Together AI, GMI Cloud e OpenRouter.
- Su OpenRouter costa 0,20/0,60 dollari per milione di token; il contesto esposto è 16K, mentre il modello dichiara fino a 1M.
- Il riferimento hardware ufficiale è NVIDIA DGX Spark; il MacBook Pro non compare nelle fonti ufficiali.

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.

- **65B** Parametri, modello denso (non Mixture of Experts)
- **12 T** Token di preaddestramento dichiarati da Ricursive
- **80,52** TerminalBench 2.1, claim SOTA USA open-weight (self-reported)
- **Apache 2.0** Licenza dei pesi su Hugging Face

_Fonte: Pagina ufficiale ricursive.com/ripple e scheda Hugging Face ricursiveAI/Ripple-65B-Preview, lette il 04/11/2026_

![Scheda sociale Hugging Face di Ripple-65B Preview](https://media.andreapirazzini.it/posts/2ecc21d7-3545-4fad-b6c0-91fddd955427/a05940b9-d0f1-4256-86a3-1d90750b135f.jpg)
*Immagine sociale della scheda Hugging Face ricursiveAI/Ripple-65B-Preview.*

## 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.

![Fotogramma del video ufficiale di lancio di Ripple-65B](https://media.andreapirazzini.it/posts/2ecc21d7-3545-4fad-b6c0-91fddd955427/c4233125-c127-4e58-a672-f3ddbd7d8353.jpg)
*Chip e layout dal video ufficiale di Ricursive Intelligence su Ripple-65B Preview.*

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.

> **Nota:** Nelle fonti ufficiali compare il DGX Spark, non il MacBook Pro. Per i test locali conviene partire da quel riferimento.

## Il claim su TerminalBench 2.1

[Animazione: Il claim ufficiale di Ricursive su TerminalBench 2.1: Ripple-65B Preview a 80,52, numeri self-reported.](https://media.andreapirazzini.it/posts/2ecc21d7-3545-4fad-b6c0-91fddd955427/d1c0ce13-6a5a-4906-b02b-683ae36f176b.mp4)

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.

**TerminalBench 2.1, claim Ricursive** — Punteggi pubblicati dal produttore, più alto è meglio

| Voce | Punteggio |
| --- | --- |
| Ripple-65B Preview | 80,52 |
| Reflection Beam 501B | 80,1 |
| Meta Muse Spark Open 816B | 76,4 |
| Thinking Machines Inkling 975B | 63,8 |
| NVIDIA Nemotron 3 Ultra 550B | 56,4 |

_Fonte: ricursive.com/ripple e scheda Hugging Face ricursiveAI/Ripple-65B-Preview, 04/11/2026_

| Modello | Parametri | TerminalBench 2.1 |
| --- | --- | --- |
| Ripple-65B Preview | 65B denso | **80,52** |
| Reflection Beam 501B | 501B | 80,1 |
| Meta Muse Spark Open 816B | 816B | 76,4 |
| Thinking Machines Inkling 975B | 975B | 63,8 |
| NVIDIA Nemotron 3 Ultra 550B | 550B | 56,4 |

![Grafico TerminalBench pubblicato da Ricursive](https://media.andreapirazzini.it/posts/2ecc21d7-3545-4fad-b6c0-91fddd955427/5de1d0a4-643c-48a2-9287-68830f4fc15a.jpg)
*Grafico ufficiale TerminalBench 2.1 dalla scheda e dalla pagina di lancio di Ripple.*

## Come si prova oggi

[Animazione: Come si chiama Ripple su OpenRouter, quanto costa e quale contesto è esposto oggi.](https://media.andreapirazzini.it/posts/2ecc21d7-3545-4fad-b6c0-91fddd955427/69c75d5b-3029-4e6a-b3a7-7d5ac206d644.mp4)

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:

| Voce | Valore |
| --- | --- |
| Input | 0,20 $ per milione di token |
| Output | 0,60 $ per milione di token |
| Cache read | 0,05 $ per milione di token |
| Contesto esposto | 16.384 token |
| Contesto dichiarato del modello | fino a 1 milione di token |

```python
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"}],
)
```

> **Attenzione:** Il contesto da 1 milione di token è una capacità del modello. Su OpenRouter, al 4 novembre, sono esposti 16K. Se serve un contesto lungo, va verificato il canale (HF locale, Together, GMI o altro) prima di progettare il flusso.

## I limiti da tenere presenti

| Limite | Cosa significa |
| --- | --- |
| Numeri del produttore | TerminalBench 80,52 è self-reported; nessuna verifica indipendente al 4 novembre |
| Preview release | Post-training descritto come relativamente leggero, focus agentic coding |
| Contesto su OpenRouter | 16K esposti, non 1M |
| Prezzi incompleti | Together / GMI / Fireworks non letti da fonti salvate |
| Hardware locale | Riferimento ufficiale: DGX Spark / hardware consumer di quel tipo, non laptop generici |
| Confusione di nome | Ricursive Intelligence (ricursive.com) non è Recursive Superintelligence / Flint |

## 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

**Ripple-65B Preview è davvero open weight?**

Sì. I pesi sono pubblici su Hugging Face nella pagina ricursiveAI/Ripple-65B-Preview, senza gate, con licenza Apache 2.0.

**Ha davvero 1 milione di token di contesto?**

Ricursive e Hugging Face dichiarano supporto fino a 1 milione di token. Su OpenRouter, al 4 novembre 2026, il contesto esposto è 16.384 token.

**Quanto costa su OpenRouter?**

0,20 dollari per milione di token in ingresso, 0,60 in uscita, 0,05 per la cache read. Provider indicato: GMI Cloud. IVA non indicata sulla scheda letta.

**È lo stesso di Recursive / Flint?**

No. Ricursive Intelligence (ricursive.com, @RicursiveAI) è un soggetto diverso da Recursive Superintelligence / Flint (recursive.com).

**Si può far girare su un laptop qualunque?**

Nelle fonti ufficiali il riferimento è NVIDIA DGX Spark e hardware consumer di quel tipo. Il MacBook Pro non compare nelle fonti ufficiali lette per questo articolo.

**I 80,52 su TerminalBench sono verificati?**

Sono self-reported da Ricursive. Al 4 novembre 2026 non risultano verifiche indipendenti pubbliche.

[Prenota una call con Andrea](https://andreapirazzini.it/prenota)