Ripple-65B Preview: qué acaba de lanzar Ricursive
Ricursive Intelligence publicó Ripple-65B Preview, un modelo de pesos abiertos de propósito general que, según la compañía, alcanza el estado del arte de Estados Unidos en coding agéntico entre modelos open-weight. El dato que ordena la noticia: 80,52 puntos en TerminalBench 2.1, por encima de modelos varias veces más grandes.
El modelo se entrenó desde cero con 12 billones de tokens y soporta hasta 1 millón de tokens de contexto. Ya está disponible en Hugging Face, Together AI, GMI Cloud y OpenRouter, con Fireworks sumándose más tarde el mismo día del anuncio.
Ricursive no es un laboratorio de modelos al uso: se define como un laboratorio full-stack que construye sistemas auto-mejorables co-optimizando hardware, software y modelo. Ripple es la variante generalista del modelo propietario que alimenta su plataforma de diseño de chips.
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →Los números: 80,52 en TerminalBench y US$32M de costo
La tabla que publicó la compañía compara Ripple-65B contra modelos de pesos abiertos estadounidenses mucho más grandes:
- Reflection Beam 501B: 80,1
- Meta Muse Spark Open 816B: 76,4
- Thinking Machines Inkling 975B: 63,8
- NVIDIA Nemotron 3 Ultra 550B: 56,4
Ripple-65B, con 65.000 millones de parámetros, queda arriba de los cuatro. El contraste de tamaño es la parte interesante para cualquiera que pague facturas de inferencia.
El segundo número es el costo. Ricursive afirma que desarrolló y entrenó Ripple-65B Preview por US$32 millones, aproximadamente una décima parte del costo del SOTA open-weight previo en coding agéntico, según su propia estimación. Ese monto incluye todo el I+D desde cero: desarrollo del ladder de preentrenamiento, mezcla de datos, evaluaciones, depuración, generación de datos sintéticos, receta de post-entrenamiento y las corridas finales.
Para dimensionar la cifra, la propia compañía recuerda que Sam Altman dijo en 2023 que entrenar GPT-4 costó más de US$100 millones, y que Dario Amodei habló de modelos frontera de hasta US$1.000 millones, proyectando US$10.000 a 100.000 millones para 2026-2027 solo en preentrenamiento.
El contraste con el competidor directo también aparece en el texto de Ricursive: la compañía señala que Reflection fue reportada comprometiendo US$150 millones por mes en cómputo en SpaceX Colossus para entrenar sus modelos. TNW reportó además que Reflection cerró acuerdos de cómputo por US$6.300 millones con SpaceX y US$1.000 millones con Nebius, y que preentrenó su modelo Beam en menos de cuatro semanas sobre 6.144 GPUs NVIDIA GB300, con una corrida de RL de cuatro semanas sobre 10.500 GB300 y más de 100 millones de intentos de tareas.
¿Por qué eligieron un modelo denso en vez de un MoE?
La mayoría de los laboratorios que persiguen eficiencia van hacia arquitecturas Mixture-of-Experts (MoE), que activan solo una fracción de los parámetros por token. Ricursive hizo lo contrario: entrenó un Transformer denso modernizado.
La razón que dan es de infraestructura: querían reducir la complejidad de entrenamiento y servicio sin sacrificar razonamiento ni desempeño agéntico. El resultado fue un MFU (utilización de FLOPs del modelo) del 40% sostenido durante preentrenamiento y post-entrenamiento, con sharding simple, sin kernels personalizados y sin cuantización.
El modelo usa una proporción "thin-and-deep": d_model de 5.120 y 80 capas en total. Sobre esa base sumaron sobreaprovisionamiento de cabezas de atención, mayor ratio de capas SWA frente a globales, ventana SWA más chica para compensar el costo, clipping de activación en la FFN, atención con compuerta, NoPE global y residuales de valor.
El efecto práctico: un modelo chico en parámetros que corre en dispositivos locales como NVIDIA DGX Spark, pensados para alto cómputo con ancho de banda de memoria bajo respecto de los aceleradores de datacenter.
El RL: 1,4 millones de rollouts, 70 veces menos
En vez de comprar datos de post-entrenamiento, Ricursive construyó sus propios pipelines sintéticos, filtros de calidad y métricas de cobertura. Su receta de RL mezcla truncated importance sampling, centrado de scores y penalización lineal de longitud, sobre entornos sintéticos de horizonte largo.
El resultado: llegaron a 80,5 en TerminalBench 2.1 con solo 1,4 millones de rollouts, aproximadamente 70 veces menos que Reflection Beam, el SOTA previo. Ese es el dato que más debería interesar a un equipo con presupuesto acotado: la diferencia no está en gastar más cómputo, sino en iterar mejor la receta.
También hay una historia de eficiencia en el preentrenamiento. Partiendo del ladder de Olmo 3 (del Allen Institute for AI), la compañía encadenó seis iteraciones (v1.0 a v1.6) con cambios como leyes de escalado de batch size y learning rate, normalización pre+post, atención con compuerta sigmoidea, NoPE global y residuales de valor. El efecto compuesto: hasta 16 veces más eficiencia de cómputo en código medido por dolma_stack CE a escala de modelo de 4B.
La carrera open-weight: EE.UU. persigue a China
El contexto importa. Según CNET, los modelos chinos lideran hoy los rankings de inteligencia para modelos de pesos abiertos de la firma independiente Artificial Analysis: DeepSeek, Kimi K3 de Moonshot AI y la familia Qwen3.8 de Alibaba.
Del lado estadounidense compiten gpt-oss de OpenAI, Gemma de Google, Muse Glimmer y Muse Spark Open de Meta, Nemotron de NVIDIA, Beam de Reflection y Inkling de Thinking Machines Lab. En Europa, Mistral AI juega con Mistral Large 3, la familia Ministral 3 y Mistral Large 4.
Un detalle que suele pasarse por alto: open-weight no es lo mismo que open-source. CNET recuerda que publicar los pesos no alcanza para cumplir la definición de la Open Source Initiative, que exige compartir el código de entrenamiento y ejecución e información suficiente sobre los datos. Y algunas licencias de pesos abiertos limitan el uso comercial, algo que puede descalificar un modelo para tu producto.
¿Qué significa esto para tu startup?
Tres cosas concretas.
Primero, revisa tu supuesto de costo de inferencia. Un modelo de 65B que compite con otros de 500B a 975B en coding agéntico cambia la aritmética de un agente que corre miles de llamadas por día. Si tu producto depende de coding agéntico, mide Ripple-65B Preview contra el modelo que usas hoy, en tus propias tareas y no en el benchmark ajeno. Está disponible en OpenRouter y Together AI, así que puedes probarlo sin montar infraestructura.
Segundo, mira el hardware local otra vez. La apuesta por una arquitectura densa y chica apunta a correr en NVIDIA DGX Spark y equipos similares. Para un equipo que maneja datos sensibles de clientes, un modelo que corre en tu propia máquina resuelve cumplimiento sin depender de un proveedor cloud.
Tercero, copia el método, no el resultado. Lo replicable de este anuncio no es el modelo: es la disciplina de iterar recetas a escala chica antes de gastar en la corrida grande. El ladder de Ricursive mejoró la eficiencia de cómputo en código hasta 16x a escala de 4B antes de comprometer presupuesto. Cualquier equipo que entrene o haga fine-tuning puede aplicar esa lógica: validar barato, escalar después.
Un matiz de rigor: los puntajes de TerminalBench 2.1 de Ripple-65B son de la propia Ricursive. TNW, al cubrir el lanzamiento de Beam, aclaró que tampoco verificó de forma independiente los números de Reflection. Trata cualquier tabla comparativa publicada por un laboratorio como una hipótesis a testear, no como un hecho.
Conclusión
Ripple-65B Preview es más una señal que un producto terminado: un laboratorio que necesita modelos para diseñar chips encontró un camino barato para llegar al frente de los pesos abiertos estadounidenses en coding agéntico. Si el costo real de entrenar un modelo competitivo bajó a decenas de millones, la barrera de entrada del sector se movió, y eso redefine qué puede construir un equipo chico.
Ricursive dice que sigue contratando investigadores e ingenieros para empujar la frontera full-stack, de modelo a silicio. Para el resto del ecosistema, la pregunta útil es otra: qué parte de tu producto se vuelve más barata cuando un modelo de 65B hace lo que antes requería uno de 500B.
Fuentes
- Ripple-65B Preview: U.S. Open-Weight SOTA on Agentic Coding (fuente original)
- Nvidia-backed Reflection unveils Beam, its first open-weight model
- What Are Open-Weight AI Models?
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →
