Ricursive Intelligence, une start-up qui conçoit des systèmes d'IA pour la conception de puces, a lancé Ripple-65B Preview, un modèle de langage à poids ouverts tourné avant tout vers la programmation par agents. Les poids sont disponibles sur Hugging Face sous licence Apache 2.0, qui autorise l'usage commercial et la modification, et le modèle est aussi proposé par Together AI, GMI Cloud et OpenRouter, Fireworks devant suivre. VentureBeat, qui a couvert le lancement le 5 novembre 2026, présente les fondateurs comme d'anciens chercheurs de Google.
Il s'agit d'une déclinaison généraliste du système propriétaire qui fait tourner la plateforme de conception de puces de l'entreprise. Ce Transformer dense de 65 milliards de paramètres a été entraîné de zéro sur 12 000 milliards de jetons, essentiellement du texte en anglais et du code, et accepte des contextes allant jusqu'à un million de jetons. Ricursive a préféré une architecture dense au mélange d'experts aujourd'hui répandu, estimant que cela simplifiait l'entraînement et le déploiement. La publication comprend un modèle ajusté aux instructions aux formats BF16 et NVFP4, ainsi qu'un modèle de base en BF16.
L'argument phare est un score de 80,52 sur Terminal-Bench 2.1, juste devant les 80,1 de Beam 501B de Reflection et nettement au-dessus de Muse Spark Open de Meta, d'Inkling de Thinking Machines et de Nemotron 3 Ultra de NVIDIA, tous bien plus gros en paramètres totaux. Sur SWE-bench Pro v2.0 Hard, Ricursive annonce 79,1 contre 76,5 pour Beam. La fiche du modèle dresse toutefois un tableau plus contrasté ailleurs : Ripple reste derrière Beam sur SWE-bench Verified, nettement sous Muse Spark Open sur DeepSWE 1.1 et MCP Atlas, et en retrait de plusieurs concurrents sur des tests de connaissances comme GPQA Diamond. L'entreprise reconnaît d'ailleurs que les scores des évaluations agentiques sont difficiles à reproduire et parle d'une comparaison faite au mieux.
Le coût constitue l'autre volet de l'annonce. Ricursive chiffre l'ensemble de la recherche et du développement, des premiers essais de mise à l'échelle aux entraînements finaux, à 32 millions de dollars, soit selon elle environ un dixième de ce qu'avait coûté le précédent champion ouvert du code agentique. Le score sur Terminal-Bench a été atteint avec 1,4 million d'épisodes d'apprentissage par renforcement, quelque 70 fois moins que Beam d'après ses calculs, et l'équipe est passée d'une à cinq personnes pendant le projet.
L'architecture est étroite et profonde, avec 80 couches et une largeur de 5 120, assortie de modifications comme l'attention à portes et les résidus de valeur. Ricursive est partie de l'échelle d'entraînement publiée par l'Allen Institute for AI pour Olmo 3 et affirme que ses ajustements ont rendu l'entraînement sur le code jusqu'à 16 fois plus efficace à petite échelle. Grâce à sa taille contenue, la version NVFP4 tourne sur un seul NVIDIA DGX Spark, assure l'entreprise, qui revendique environ 250 jetons par seconde sur deux B200 avant toute quantification.
Tous ces chiffres de performance et de coût émanent de Ricursive ; aucune évaluation indépendante n'existait à la sortie. La mention de préversion et un post-entraînement que l'entreprise qualifie elle-même de léger laissent prévoir des évolutions, sans calendrier annoncé pour une version définitive ni pour la variante interne dédiée aux puces.