← Todas as notícias

Ripple-65B Preview: pesos densos de 65B sob Apache 2.0, 80,52 autoinformado no TerminalBench 2.1

Segundo o The Decoder, em 6 de novembro de 2026, a Ricursive lançou o Ripple-65B Preview: um modelo denso de 65 bilhões de parâmetros que a empresa afirma ter obtido 80,52 no TerminalBench 2.1, o melhor entre modelos abertos dos EUA, com pesos publicados no Hugging Face sob Apache 2.0; alguns benchmarks ficaram abaixo do Inkling 2 Small.

Publicado Atualizado
Capa da notícia original — Ripple-65B Preview: pesos densos de 65B sob Apache 2.0, 80,52 autoinformado no TerminalBench 2.1
Capa da notícia originalNotícia original ↗

O que mudou

Segundo o The Decoder, em 6 de novembro de 2026, a Ricursive Intelligence, empresa de design de chips de IA, treinou e lançou o modelo de linguagem aberto Ripple-65B Preview, com pré-treinamento em 12 trilhões de tokens. A reportagem afirma que a empresa autoinforma 80,52 no benchmark de programação TerminalBench 2.1 e o descreve como o melhor resultado de um modelo aberto dos EUA nesse benchmark; essa pontuação foi obtida em parte com o Terminus 2 e em parte com o OpenCode como harness. A reportagem também lista três resultados autoinformados mais baixos: SWE-Bench Pro v2.0 Hard 79,1%, DeepSWE v1.1 44,3% e MCP Atlas 71,67%, todos abaixo dos 86,3%, 72,1% e 85,4/85,0% do Inkling 2 Small, lançado no mesmo período. O modelo é um Transformer denso de 65 bilhões de parâmetros, sem a rota mais comum de mistura de especialistas, e diz-se otimizado para hardware Nvidia. Segundo a empresa, o gasto total com pesquisa, desenvolvimento e treinamento foi de cerca de 32 milhões de dólares. Os pesos são oferecidos sob licença Apache 2.0 no Hugging Face. A reportagem não menciona reprodução por terceiros.

Impacto para desenvolvedores

Para desenvolvedores que pretendem integrar ou autohospedar o modelo, o que costuma determinar se ele serve não é o número 80,52, mas como ele foi medido. A reportagem afirma explicitamente que a pontuação foi obtida em parte com o Terminus 2 e em parte com o OpenCode como harness; trata-se de um número reportado pelo fornecedor: a pontuação corresponde à combinação do modelo com um arcabouço de agente específico, e extrapolá-la diretamente para o seu próprio ciclo de chamadas de ferramentas é uma inferência, não uma conclusão da reportagem. A segunda diferença está na arquitetura: a reportagem diz apenas que é um modelo denso de 65 bilhões de parâmetros, sem MoE; entendido como ativação total por token, a razão entre ativação e parâmetros totais difere claramente de um MoE de porte semelhante. A uma estimativa aproximada de cerca de dois bytes por parâmetro em BF16, os pesos completos ficam na ordem de 130 GB — uma inferência aritmética a partir da contagem pública de parâmetros, não um dado da fonte —, portanto uma GPU única de 80 GB não comporta os pesos completos em BF16, sendo normalmente necessárias várias GPUs ou quantização; mas a reportagem não informa comprimento de contexto, versões quantizadas, mínimo de VRAM ou suporte de frameworks de inferência, que são justamente as principais variáveis de custo do autohospedagem e não podem ser deduzidas apenas da contagem de parâmetros. O terceiro ponto é o limite da licença: a reportagem diz apenas que os pesos são oferecidos sob Apache 2.0 e não esclarece se o código de treinamento, os dados de treinamento e as ferramentas associadas também são abertos; estender a conclusão de "uso comercial permitido" dos pesos para todo o projeto não é prudente. Além disso, a reportagem traz apenas o Inkling 2 Small como comparação, e o Ripple fica atrás em três desses itens; um único ranking no TerminalBench 2.1 não basta para sustentar um julgamento sobre a capacidade geral.

Integração e avaliação

A seguir, análises e recomendações condicionais, não fatos da reportagem. Primeiro, diante da informação de que a pontuação no TerminalBench 2.1 foi obtida com dois harness, o Terminus 2 e o OpenCode, a escolha é colocá-lo primeiro no conjunto de candidatos para um teste comparativo em sombra ou substituir diretamente o modelo de código em uso; o que muda essa escolha é o grau de proximidade entre o seu arcabouço de agente e esses dois harness — quanto maior a diferença, mais difícil transferir a pontuação. O critério verificável é: rodar a comparação com o seu próprio harness no mesmo lote de tickets internos, registrando a taxa de aprovação ponta a ponta, o número médio de rodadas de chamadas de ferramentas e a distribuição dos tipos de falha; só há motivo para considerar a troca quando a taxa de aprovação não for pior que a do modelo atual e o número de rodadas não subir de forma significativa. Segundo, diante do conjunto de fatos reportados — 65 bilhões de parâmetros densos, otimização para Nvidia e ausência de parâmetros de implantação —, a escolha é implantar diretamente no hardware próprio ou validar o desempenho por meio de um serviço externo antes de decidir a compra; o que condiciona isso é a VRAM disponível em uma única máquina e o comprimento de contexto alvo. O critério é: medir a latência do primeiro token e a vazão estável no comprimento de contexto alvo e comparar a taxa de aprovação antes e depois da quantização no mesmo lote de tarefas, exigindo que a queda não ultrapasse o limite definido previamente; caso contrário, serão necessárias mais GPUs ou um plano de degradação para cenários de contexto longo. Terceiro, diante do fato de que os pesos são oferecidos sob Apache 2.0, a escolha é investir imediatamente em ajuste fino voltado à distribuição ou primeiro confirmar a licença e o conteúdo efetivamente entregue; o que muda essa escolha são os arquivos realmente incluídos no repositório e os termos do cartão do modelo. O critério é verificar o arquivo de licença e quaisquer termos de uso adicionais, registrar os metadados de licença no inventário interno de modelos e não investir em ajuste fino para distribuição externa antes da confirmação jurídica.

Limites e pontos a confirmar

As pontuações de benchmark e o custo de cerca de 32 milhões de dólares vêm de autoinforme da empresa; a reportagem não indica se houve reprodução por terceiros nem detalha a configuração da avaliação; a afirmação de "melhor modelo aberto dos EUA" refere-se apenas ao benchmark TerminalBench 2.1 e, embora não contradiga os três resultados inferiores listados na sequência, não pode ser tomada como conclusão sobre capacidade geral. A estimativa de cerca de 130 GB de VRAM no texto é uma inferência aritmética de 65 bilhões de parâmetros a dois bytes por parâmetro em BF16, não um dado da fonte; a fonte não informa mínimo de VRAM, comprimento de contexto, versões quantizadas ou suporte de frameworks de inferência. O Ripple-65B Preview não está atualmente no catálogo de modelos do KimiSeek; a fonte relata apenas os pesos no Hugging Face e não menciona API hospedada, portanto, se houver disponibilidade de API, a referência é ao fornecedor, não ao KimiSeek; caso surja posteriormente uma API do fornecedor ou de terceiros, disponibilidade e cobrança devem seguir a página do provedor. Versões com o rótulo Preview costumam continuar mudando; a manutenção contínua dos pesos e a abertura do código e dos dados de treinamento devem ser verificadas no cartão do modelo e em testes locais.

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

Ripple-65B Preview 发布:完全 Apache 2.0 开源的美国模型,智能体编程成绩强劲

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.