Ricursive publie Ripple-65B Preview, un modèle ouvert de 65 milliards de paramètres taillé pour le code agentique

Ricursive Intelligence, un laboratoire américain qui se présente comme « full-stack », du modèle jusqu’au silicium, a publié le 4 novembre 2026 les poids de Ripple-65B Preview. C’est un modèle dense de 65 milliards de paramètres, entraîné de zéro et diffusé sous licence Apache 2.0, l’une des plus permissives qui soient. Son argument principal : faire aussi bien, voire mieux en code agentique, que des modèles ouverts américains sept à quinze fois plus gros.

Ce qui est publié

Sur Hugging Face, Ricursive met à disposition trois variantes : le modèle instruct en BF16, une version quantifiée en NVFP4 (le format 4 bits des GPU NVIDIA récents) et un modèle de base issu du seul pré-entraînement, sans données synthétiques de questions-réponses. S’y ajoute un petit modèle auxiliaire pour accélérer la génération par décodage spéculatif. Le modèle est aussi accessible par API chez Together AI, GMI Cloud et OpenRouter.

La fiche technique décrit un pré-entraînement sur 12 000 milliards de tokens, essentiellement de l’anglais et du code, puis plusieurs étapes d’adaptation (contexte long, ajustement supervisé, apprentissage par renforcement) qui portent le contexte jusqu’à un million de tokens. L’architecture est « fine et profonde » : 80 couches, avec davantage de têtes d’attention que d’habitude et une proportion accrue de couches à attention à fenêtre glissante. Le modèle ne traite que du texte.

Ricursive insiste sur un choix à contre-courant : un modèle dense plutôt qu’un Mixture-of-Experts (MoE), l’architecture dominante des grands modèles ouverts. Selon la société, ce choix a simplifié l’infrastructure, au point qu’une équipe passée d’une à cinq personnes a pu mener l’entraînement sans noyaux de calcul sur mesure. Le point de départ était la recette ouverte d’Olmo 3, de l’Allen Institute for AI.

Les chiffres revendiqués

Le chiffre phare est un score de 80,5 sur Terminal-Bench 2.1, un test de tâches de programmation menées dans un terminal. Ricursive le compare aux autres modèles ouverts américains : 80,1 pour Reflection Beam (501 milliards de paramètres), 76,4 pour Meta Muse Spark Open (816 milliards), 63,8 pour Thinking Machines Inkling (975 milliards) et 56,4 pour NVIDIA Nemotron 3 Ultra (550 milliards). Le tableau complet est plus nuancé : Ripple est devancé sur SWE-bench Verified (76,5 contre 81,6 pour Beam), sur MCP Atlas, sur SciCode ou sur les questions scientifiques de GPQA Diamond. La société reconnaît elle-même que reproduire ces évaluations agentiques est difficile, et une partie des scores des concurrents a été mesurée avec ses propres outils.

Autre annonce marquante : Ricursive affirme avoir développé et entraîné le modèle pour 32 millions de dollars, tout compris, de la mise au point de la recette à l’entraînement final. Elle estime que c’est dix fois moins que le précédent meilleur modèle ouvert en code agentique, mais cette comparaison repose sur des engagements de calcul rapportés pour Reflection, pas sur des chiffres publiés par ce dernier.

À qui s’adresse-t-il ?

Avec 65 milliards de paramètres, Ripple reste lourd mais beaucoup plus maniable que les modèles de plusieurs centaines de milliards de paramètres. Ricursive indique qu’il peut tenir sur une machine de bureau comme le DGX Spark de NVIDIA, et fournit la version NVFP4 pour encourager l’usage local. La société annonce aussi 250 tokens par seconde sur deux GPU B200, avant quantification. Pour Ricursive, ce modèle est aussi une vitrine : une variante interne alimente sa plateforme de conception de puces assistée par IA.