Ripple-65B Preview : des poids denses de 65B sous Apache 2.0, 80,52 revendiqué sur TerminalBench 2.1
Selon The Decoder, le 6 novembre 2026, Ricursive a publié Ripple-65B Preview : un modèle dense de 65 milliards de paramètres, dont la société annonce 80,52 sur TerminalBench 2.1, le meilleur score selon elle pour un modèle ouvert américain, avec des poids sous Apache 2.0 sur Hugging Face ; plusieurs benchmarks sont inférieurs à ceux d'Inkling 2 Small.

Ce qui change
Selon The Decoder, le 6 novembre 2026, la société de conception de puces IA Ricursive Intelligence a entraîné et publié le modèle de langage ouvert Ripple-65B Preview, pré-entraîné sur 12 000 milliards de tokens. Le média rapporte que la société annonce 80,52 sur le benchmark de programmation TerminalBench 2.1, présenté comme le meilleur résultat d'un modèle ouvert américain sur ce benchmark ; ce score a été obtenu en partie avec Terminus 2 et en partie avec OpenCode comme harness. Le média cite aussi trois scores auto-déclarés plus faibles : SWE-Bench Pro v2.0 Hard 79,1 %, DeepSWE v1.1 44,3 % et MCP Atlas 71,67 %, tous inférieurs aux 86,3 %, 72,1 % et 85,4/85,0 % d'Inkling 2 Small, publié à la même période. Le modèle est un Transformer dense de 65 milliards de paramètres, sans l'approche mixture-of-experts plus courante, et serait optimisé pour le matériel Nvidia. Selon la société, l'ensemble des dépenses de R&D et d'entraînement s'élève à environ 32 millions de dollars. Les poids sont proposés sous licence Apache 2.0 sur Hugging Face. Le média ne mentionne aucune reproduction par un tiers.
Conséquences pour les développeurs
Pour les développeurs qui envisagent une intégration ou un auto-hébergement, ce qui détermine l'utilité du modèle n'est souvent pas le chiffre de 80,52, mais la façon dont il a été mesuré. Le média précise que le score a été obtenu en partie avec Terminus 2 et en partie avec OpenCode comme harness : il s'agit d'un résultat déclaré par l'éditeur, où la note correspond à la combinaison du modèle et d'un cadre d'agent précis. L'extrapoler directement à votre propre boucle d'appel d'outils relève de l'inférence, pas de la conclusion du média. Deuxième différence, l'architecture : le média indique seulement un modèle dense de 65 milliards de paramètres, sans MoE ; en comprenant une activation complète à chaque token, le rapport entre paramètres activés et paramètres totaux diffère nettement de celui d'un MoE de taille comparable. En estimant grossièrement à environ deux octets par paramètre en BF16, les poids complets atteignent l'ordre de 130 Go — un calcul arithmétique fondé sur le nombre de paramètres public, pas une donnée de la source — de sorte qu'une carte unique de 80 Go ne peut pas contenir les poids complets en BF16 ; il faut généralement plusieurs cartes ou de la quantification. Le média ne donne toutefois ni longueur de contexte, ni version quantifiée, ni VRAM minimale, ni prise en charge par les frameworks d'inférence, qui sont justement les principales variables du coût d'auto-hébergement et ne se déduisent pas du seul nombre de paramètres. Troisième point, la portée de la licence : le média indique uniquement que les poids sont fournis sous Apache 2.0, sans préciser si le code d'entraînement, les données d'entraînement et les outils associés sont ouverts de la même manière ; étendre une conclusion de « usage commercial possible » des poids à l'ensemble du projet n'est pas prudent. Enfin, le média ne fournit qu'un seul point de comparaison, Inkling 2 Small, et Ripple y est en retrait sur trois benchmarks ; un seul classement TerminalBench 2.1 ne suffit pas à juger la capacité globale.
Intégration et évaluation
Ce qui suit est une analyse et des recommandations conditionnelles, pas des faits rapportés. Premièrement, face à l'information selon laquelle le score TerminalBench 2.1 a été obtenu avec les deux harness Terminus 2 et OpenCode, le choix est de placer d'abord le modèle en candidat pour un test comparatif en aveugle, ou de remplacer directement le modèle de code actuellement utilisé ; ce choix dépend de la proximité entre votre cadre d'agent et ces deux harness, car plus l'écart est grand, moins le score est transposable. Critère vérifiable : lancer une comparaison avec votre propre harness sur le même lot de tickets internes, en relevant le taux de réussite de bout en bout, le nombre moyen de tours d'appel d'outils et la répartition des types d'échec ; envisager un changement seulement si le taux de réussite n'est pas inférieur à celui du modèle actuel et si le nombre de tours n'augmente pas nettement. Deuxièmement, face aux faits rapportés (65 milliards de paramètres denses, optimisation pour Nvidia, paramètres de déploiement manquants), le choix est de déployer directement sur votre matériel ou de valider d'abord le rendement via un service externe avant tout achat ; cela dépend de la VRAM disponible sur une machine et de la longueur de contexte visée. Critère : mesurer la latence du premier token et le débit stable à la longueur de contexte visée, et comparer les taux de réussite avant et après quantification sur le même lot de tâches, en exigeant une baisse inférieure au seuil fixé à l'avance ; sinon, il faudra plus de cartes ou prévoir une solution dégradée pour les contextes longs. Troisièmement, face au fait que les poids sont fournis sous Apache 2.0, le choix est d'engager immédiatement un affinage destiné à la distribution ou de vérifier d'abord la licence et le contenu réellement livré ; ce choix dépend des fichiers réellement présents dans le dépôt et des conditions de la fiche du modèle. Critère : vérifier le fichier de licence et toute condition d'utilisation supplémentaire, enregistrer les métadonnées de licence dans l'inventaire interne des modèles, et ne pas engager d'affinage destiné à la distribution externe avant validation juridique.
Limites et points à confirmer
Les scores de benchmark et le coût d'environ 32 millions de dollars sont tous déclarés par la société ; le média ne précise pas s'il existe une reproduction par un tiers et ne donne pas le détail de la configuration d'évaluation. La mention « meilleur modèle ouvert américain » ne concerne que le seul benchmark TerminalBench 2.1 ; elle n'est pas contradictoire avec les trois résultats inférieurs cités ensuite, mais ne peut pas servir de conclusion sur la capacité globale. L'estimation d'environ 130 Go de VRAM vient d'un calcul sur 65 milliards de paramètres à deux octets par paramètre en BF16, pas d'une donnée de la source ; la source ne donne ni VRAM minimale, ni longueur de contexte, ni version quantifiée, ni prise en charge par les frameworks d'inférence. Ripple-65B Preview n'est pas actuellement au catalogue de modèles de KimiSeek ; la source ne rapporte que des poids sur Hugging Face et ne mentionne aucune API hébergée. Toute mention d'une disponibilité via API renvoie donc à l'éditeur et non à KimiSeek ; si une API de l'éditeur ou d'un tiers apparaît par la suite, sa disponibilité et sa facturation dépendront de la page du fournisseur. Une version portant la mention Preview évolue généralement encore ; la maintenance continue des poids et l'ouverture du code et des données d'entraînement devront être vérifiées sur la fiche du modèle et par des tests locaux.