Ricursive veröffentlicht Ripple-65B Preview: Ein offenes Modell mit 65 Milliarden Parametern für agentischen Code

Ricursive Intelligence, ein US-amerikanisches KI-Labor, das sich als „Full-Stack“-Anbieter vom Modell bis zum Silizium versteht, hat am 4. November 2026 die Gewichte von Ripple-65B Preview veröffentlicht. Dabei handelt es sich um ein dichtes Modell mit 65 Milliarden Parametern, das von Grund auf neu trainiert wurde und unter der Apache-2.0-Lizenz steht – einer der freizügigsten Lizenzen überhaupt. Das zentrale Argument des Anbieters: Bei agentischen Programmieraufgaben soll es mit offenen US-Modellen mithalten können oder diese sogar übertreffen, die sieben- bis fünfzehnmal größer sind.

Was veröffentlicht wurde

Auf Hugging Face stellt Ricursive drei Varianten bereit: das Instruct-Modell in BF16, eine quantisierte Version in NVFP4 (dem 4-Bit-Format aktueller NVIDIA-GPUs) sowie ein Basismodell, das ausschließlich aus dem Vortraining ohne synthetische Frage-Antwort-Daten stammt. Hinzu kommt ein kleines Hilfsmodell, das die Textgenerierung durch spekulatives Decodieren beschleunigt. Das Modell ist zudem über APIs bei Together AI, GMI Cloud und OpenRouter verfügbar.

Die Modellkarte beschreibt ein Vortraining auf 12 Billionen Tokens, hauptsächlich Englisch und Quellcode, gefolgt von mehreren Anpassungsphasen (langer Kontext, überwachtes Feintuning, bestärkendes Lernen), die das Kontextfenster auf bis zu eine Million Tokens erweitern. Die Architektur ist „schmal und tief“ angelegt: 80 Schichten, mehr Attention-Heads als üblich und ein erhöhter Anteil an Schichten mit Sliding-Window-Attention. Das Modell verarbeitet ausschließlich Text.

Ricursive betont eine Entscheidung gegen den aktuellen Trend: ein dichtes Modell anstelle eines Mixture-of-Experts-Ansatzes (MoE), der dominanten Architektur großer offener Modelle. Laut Unternehmensangaben vereinfachte diese Wahl die Infrastruktur so stark, dass ein Team, das von einer auf fünf Personen anwuchs, das Training ohne maßgeschneiderte Rechen-Kernel durchführen konnte. Als Ausgangspunkt diente die offene Rezeptur von Olmo 3 des Allen Institute for AI.

Die beanspruchten Leistungswerte

Der Vorzeigewert ist ein Ergebnis von 80,5 auf Terminal-Bench 2.1, einem Test für Programmieraufgaben innerhalb eines Terminals. Ricursive stellt diesen Wert anderen offenen US-Modellen gegenüber: 80,1 für Reflection Beam (501 Milliarden Parameter), 76,4 für Meta Muse Spark Open (816 Milliarden), 63,8 für Thinking Machines Inkling (975 Milliarden) und 56,4 für NVIDIA Nemotron 3 Ultra (550 Milliarden). Das Gesamtbild fällt jedoch differenzierter aus: Bei SWE-bench Verified liegt Ripple zurück (76,5 gegenüber 81,6 bei Beam), ebenso bei MCP Atlas, SciCode oder den wissenschaftlichen Fragestellungen von GPQA Diamond. Das Unternehmen räumt selbst ein, dass die Reproduktion dieser agentischen Evaluierungen anspruchsvoll ist; ein Teil der Konkurrenzergebnisse wurde zudem mit eigenen Testwerkzeugen ermittelt.

Eine weitere bemerkenswerte Ankündigung: Ricursive gibt an, das Modell für insgesamt 32 Millionen Dollar entwickelt und trainiert zu haben – von der Ausarbeitung der Trainingsrezeptur bis zum finalen Trainingslauf. Das Unternehmen schätzt diese Summe als zehnmal geringer ein als beim zuvor führenden offenen Modell für agentischen Code. Dieser Vergleich stützt sich jedoch auf kolportierte Rechenzeit-Zusagen für Reflection und nicht auf offiziell publizierte Zahlen des Anbieters.

An wen richtet sich das Modell?

Mit 65 Milliarden Parametern bleibt Ripple zwar anspruchsvoll, ist jedoch wesentlich handhabbarer als Modelle mit mehreren hundert Milliarden Parametern. Ricursive erklärt, dass das Modell auf einem Desktop-Rechner wie der DGX Spark von NVIDIA betrieben werden kann, und liefert die NVFP4-Version gezielt mit, um die lokale Nutzung zu fördern. Darüber hinaus kündigt das Unternehmen 250 Tokens pro Sekunde auf zwei B200-GPUs vor der Quantisierung an. Für Ricursive fungiert dieses Modell auch als technologisches Aushängeschild: Eine interne Variante bildet das Fundament der hauseigenen Plattform für KI-gestütztes Chip-Design.