A Ricursive Intelligence, uma startup que desenvolve sistemas de IA para a conceção de chips, lançou o Ripple-65B Preview, um modelo de linguagem com pesos abertos orientado sobretudo para programação com agentes. Os pesos estão no Hugging Face com licença Apache 2.0, que permite uso comercial e modificação, e o modelo também é servido pela Together AI, pela GMI Cloud e pelo OpenRouter, com suporte da Fireworks anunciado para breve. O VentureBeat, que noticiou o lançamento a 5 de novembro de 2026, apresenta os fundadores como antigos investigadores da Google.
Trata-se de uma versão generalista do sistema proprietário que alimenta a plataforma de conceção de chips da empresa. É um Transformer denso com 65 mil milhões de parâmetros, treinado de raiz com 12 biliões de tokens, sobretudo texto em inglês e código, e aceita contextos até um milhão de tokens. A Ricursive optou por uma arquitetura densa em vez da mistura de especialistas hoje dominante, alegando que assim simplificou o treino e o serviço. O lançamento inclui um modelo afinado para instruções nos formatos BF16 e NVFP4 e um modelo base em BF16.
O principal argumento da empresa é uma pontuação de 80,52 no Terminal-Bench 2.1, ligeiramente acima dos 80,1 do Beam 501B da Reflection e bem acima do Muse Spark Open da Meta, do Inkling da Thinking Machines e do Nemotron 3 Ultra da NVIDIA, todos muito maiores em número total de parâmetros. No SWE-bench Pro v2.0 Hard indica 79,1, contra 76,5 do Beam. A ficha do modelo mostra, no entanto, resultados mais irregulares noutros testes: o Ripple fica atrás do Beam no SWE-bench Verified, bastante abaixo do Muse Spark Open no DeepSWE 1.1 e no MCP Atlas, e atrás de vários rivais em provas de conhecimento como o GPQA Diamond. A própria Ricursive admite que reproduzir resultados de testes com agentes é difícil e descreve a comparação como uma tentativa de boa-fé.
O custo é a outra metade da mensagem. A Ricursive diz que a fatura completa de investigação e desenvolvimento, das primeiras experiências de escala às execuções finais de treino, ficou em 32 milhões de dólares, cerca de um décimo, pelas suas contas, do que exigiu o anterior líder aberto em programação com agentes. Chegou ao resultado no Terminal-Bench com 1,4 milhões de execuções de aprendizagem por reforço, perto de 70 vezes menos do que o Beam, segundo a empresa, e a equipa passou de uma para cinco pessoas durante o projeto.
A arquitetura é estreita e profunda, com 80 camadas e largura de 5 120, além de ajustes como atenção com portas e resíduos de valor. A Ricursive partiu da escada de treino publicada pelo Allen Institute for AI para o Olmo 3 e afirma que as suas alterações tornaram o treino em código até 16 vezes mais eficiente em pequena escala. Por ser relativamente compacto, a versão NVFP4 corre num único NVIDIA DGX Spark, diz a empresa, que indica ainda cerca de 250 tokens por segundo em duas placas B200 antes de qualquer quantização.
Todos os números de desempenho e custo vêm da Ricursive; não havia avaliação independente no momento do lançamento. O rótulo de pré-visualização e aquilo que a empresa chama um pós-treino relativamente ligeiro indicam que o modelo ainda vai mudar, e não há data para uma versão final nem para a variante interna dedicada aos chips.