Ricursive Intelligence ha presentato Ripple-65B Preview, un modello linguistico da 65 miliardi di parametri sviluppato per attività di programmazione, utilizzo di strumenti software e gestione di workflow agentici articolati. La società, fondata da Anna Goldie e Azalia Mirhoseini, precedentemente impegnate nello sviluppo di AlphaChip presso Google, opera principalmente nel settore della progettazione automatizzata dei semiconduttori. Ripple nasce dall’evoluzione delle tecnologie linguistiche utilizzate internamente per supportare la piattaforma di chip design dell’azienda, ma viene distribuito come modello general-purpose distinto dal sistema proprietario dedicato ai circuiti. Il rilascio comprende pesi scaricabili attraverso Hugging Face e la disponibilità tramite fornitori di API, tra cui GMI Cloud attraverso OpenRouter, con ulteriori integrazioni annunciate o previste presso Together AI e Fireworks AI. La distribuzione avviene con licenza Apache 2.0, che consente utilizzo commerciale, modifica e redistribuzione nel rispetto delle condizioni previste.
Ripple-65B Preview è stato addestrato da zero su circa 12.000 miliardi di token e utilizza un’architettura densa composta da 80 livelli. A differenza dei modelli mixture-of-experts, che attivano soltanto alcune componenti per ogni token, Ripple impiega l’intero insieme dei 65 miliardi di parametri durante la generazione. Ricursive ha privilegiato questa configurazione per semplificare le infrastrutture di addestramento e ottimizzare l’esecuzione su hardware NVIDIA. La società dichiara di aver raggiunto un utilizzo dei FLOP del modello vicino al 40% senza ricorrere a kernel personalizzati specializzati o alla quantizzazione durante l’addestramento. Sono disponibili versioni instruction-tuned in BF16 e NVFP4, oltre a un checkpoint base in BF16. Le differenti configurazioni consentono di valutare compromessi tra occupazione di memoria e precisione, mentre la possibilità di esecuzione su hardware locale, compresi sistemi NVIDIA DGX Spark, richiede verifiche specifiche delle risorse disponibili e delle prestazioni effettive.
Nei benchmark pubblicati da Ricursive, Ripple raggiunge 80,5 punti su Terminal-Bench 2.1 e 79,1 su SWE-bench Pro v2.0 Hard, due valutazioni dedicate rispettivamente all’esecuzione di attività tramite terminale e alla risoluzione di problemi complessi di ingegneria software. Nel confronto proposto dall’azienda, Reflection Beam ottiene 80,1 su Terminal-Bench e 76,5 su SWE-bench Pro, mentre Meta Muse Spark Open raggiunge rispettivamente 76,4 e 72,4. Il vantaggio di Ripple su Terminal-Bench rispetto a Beam è quindi limitato a circa 0,4 punti. Su altri test il quadro risulta differente: Ripple ottiene 44,3 su DeepSWE 1.1 contro 60,0 di Meta, 90,5 nella valutazione matematica HMMT February 2026 contro 93,9 di Meta e Reflection, e 83,8 su FORTRESS Adversarial contro 94,2 di Meta. I risultati sostengono quindi la competitività del modello in specifici benchmark di coding, ma non dimostrano una superiorità generalizzata rispetto a tutti i modelli open weight.
Le comparazioni richiedono inoltre alcune precisazioni metodologiche. I materiali di Ricursive presentano valori differenti per alcuni concorrenti tra la documentazione del modello e le comunicazioni di lancio. Per SWE-bench Pro v2.0 Hard, per esempio, la scheda pubblicata su Hugging Face attribuisce a Meta e Thinking Machines risultati diversi da quelli della tabella promozionale. Ricursive riconosce che la riproducibilità dei benchmark agentici può dipendere dall’ambiente di valutazione, dagli strumenti disponibili e dalla configurazione del sistema che esegue i test. Anche le valutazioni pubblicate da Reflection riportano risultati aggiornati differenti per Beam e includono alcuni modelli sviluppati in Cina con punteggi superiori a quelli comunicati per Ripple su Terminal-Bench. Di conseguenza, l’indicazione di primato riguarda il perimetro dei modelli statunitensi e delle specifiche prove selezionate, non una classifica complessiva e indipendente di tutti i sistemi disponibili.
Ricursive attribuisce una parte dei risultati all’efficienza del processo di sviluppo. Secondo la società, l’intero programma comprendente sperimentazioni preliminari, preparazione dei dataset, valutazioni, produzione di dati sintetici, sviluppo delle successive fasi di addestramento ed esecuzioni finali ha comportato una spesa complessiva di circa 32 milioni di dollari. Il reinforcement learning avrebbe richiesto circa 1,4 milioni di rollout per raggiungere il risultato riportato su Terminal-Bench, una quantità sensibilmente inferiore agli oltre 100 milioni di rollout dichiarati da Reflection durante una precedente campagna. Il confronto non corrisponde tuttavia a un rapporto diretto tra i costi, poiché le sequenze di azioni e le risorse necessarie possono differire. Ricursive ha inoltre utilizzato una base sperimentale OLMo 3 per individuare modifiche architetturali e impostazioni di addestramento, riportando nei test su modelli da quattro miliardi di parametri una riduzione del calcolo necessario fino a sedici volte per raggiungere valori comparabili di perdita nella previsione del codice. Questo risultato riguarda una specifica misura di efficienza durante il training e non equivale a un incremento proporzionale delle prestazioni operative del modello finale.
Per l’accesso tramite API, il servizio disponibile su OpenRouter attraverso GMI Cloud indica un prezzo di 0,20 dollari per milione di token in ingresso e 0,60 dollari per milione di token in uscita, con una tariffa di 0,05 dollari per milione di token di input recuperati dalla cache. Sebbene Ricursive presenti il modello come capace di gestire contesti fino a un milione di token, l’endpoint OpenRouter verificato al lancio riportava un limite di 16.384 token, evidenziando la necessità di distinguere le capacità dichiarate del checkpoint dalle configurazioni effettivamente offerte dai singoli fornitori. La licenza Apache 2.0 permette di integrare Ripple in prodotti commerciali senza canoni legati ai ricavi o al numero degli utenti, mantenendo gli obblighi relativi alla licenza, alle attribuzioni e alla documentazione delle modifiche distribuite. Gli eventuali servizi di hosting e le infrastrutture hardware restano soggetti a costi e condizioni separati. La disponibilità di Ripple-65B Preview offre quindi agli sviluppatori un ulteriore modello da sperimentare per attività di programmazione automatizzata, con prestazioni che devono essere verificate anche nei workflow reali, considerando accuratezza, numero di tentativi, uso degli strumenti, consumo di token e costi di esecuzione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)