Ripple-65B: el modelo abierto de ex-Googlers que reta a Meta

Ripple-65B: un modelo de 65B que se mide con rivales de 500B

El 4 de noviembre, la startup Ricursive Intelligence publicó Ripple-65B Preview, un modelo de pesos abiertos bajo licencia Apache 2.0 que, según la compañía, logra el mejor resultado en tareas de código entre todos los modelos abiertos de Estados Unidos en dos benchmarks de terceros. Lo llamativo no es el puntaje, sino la relación entre tamaño y resultado: 65.000 millones de parámetros compitiendo contra sistemas de más de 500.000 millones.

Para un equipo que hoy paga por un modelo propietario o por la API de un modelo abierto enorme, la pregunta práctica es si un modelo descargable, con licencia permisiva y precios de API bajos, puede cubrir sus tareas de código. La respuesta corta: vale la pena medirlo, pero los propios números de Ricursive muestran dónde no conviene usarlo.

¿Qué es Ricursive Intelligence y por qué lanza un modelo de código?

Ricursive no es una empresa de modelos de lenguaje. Es una startup de diseño de chips con IA fundada a fines de 2025 por Anna Goldie (CEO) y Azalia Mirhoseini (CTO), ambas exinvestigadoras de Google que co-lideraron AlphaChip, el sistema de aprendizaje por refuerzo que generó diseños de chips para varias generaciones de TPUs de Google, según TechCrunch.

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 →

Su tesis es que diseñar un chip hoy toma entre dos y tres años, y quieren reducirlo a semanas (TechCrunch). Ripple nace de ese trabajo: Ricursive construyó un modelo interno para su plataforma de diseño y ahora publica una variante de propósito general del modelo propietario que impulsa su plataforma de diseño de chips, según su propio anuncio.

Ese matiz importa. Lo que se descarga es un modelo relacionado, no el sistema completo de diseño de chips. Los benchmarks de código de Ripple no dicen nada sobre la eficacia de esa otra plataforma.

La compañía levantó una Serie A de US$300 millones liderada por Lightspeed a una valoración de US$4.000 millones, con participación de NVentures (el brazo de inversión de Nvidia), DST Global y Sequoia, según el anuncio recogido por VentureBeat. TechCrunch reporta que en total sumó US$335 millones en cuatro meses.

Los números: dónde gana y dónde pierde

Los resultados que Ricursive publicó en su material de lanzamiento comparan Ripple con cuatro modelos abiertos estadounidenses mucho más grandes:

Benchmark	Ripple-65B	Reflection Beam (501B)	Meta Muse Spark Open (816B)	Thinking Machines Inkling (975B)	Nvidia Nemotron 3 Ultra (550B)
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
SWE-bench Pro v2.0 Hard	79,1	76,5	72,4	39,6	30,7
DeepSWE 1.1	44,3	43,3	60,0	5,0	0,6
HMMT Febrero 2026	90,5	93,9	93,9	86,3	80,3
FORTRESS Adversarial	83,8	92,1	94,2	78,0	79,3
AutomationBench (público)	36,4	39,3	42,4	14,6	8,4

La lectura honesta de la tabla tiene dos partes. En Terminal-Bench 2.1 y SWE-bench Pro v2.0 Hard, Ripple queda primero del grupo, con una ventaja de apenas unas décimas sobre Reflection Beam en el primer caso. En el resto, Meta Muse Spark Open gana en DeepSWE, en la prueba de matemática, en la de seguridad adversarial y en automatización.

Hay más ruido del que parece. La comparación publicada por Reflection incluye varios modelos desarrollados en China por encima del resultado de Ripple en Terminal-Bench, y sus cifras actualizadas de Beam difieren de las que usa Ricursive. Además, la propia model card de Ripple lista puntajes distintos a los de su gráfico de lanzamiento: 52,3 para Meta y 2,0 para Inkling en SWE-bench Pro v2.0 Hard, contra 72,4 y 39,6 en el material de prensa. La model card aclara que sus tablas combinan resultados publicados con evaluaciones internas y que reproducir benchmarks de agentes es difícil.

Para un comprador, eso limita cuánto pueden predecir esas cifras el desempeño en un flujo de trabajo real. El rendimiento de un agente depende tanto del modelo como del software que lo rodea: qué herramientas puede usar, cómo maneja conversaciones largas y cómo falla.

¿Cuánto cuesta usarlo y qué permite la licencia?

El precio específico más claro está en OpenRouter, donde el endpoint lo sirve GMI Cloud: US$0,20 por millón de tokens de entrada y US$0,60 por millón de salida, con entrada cacheada a US$0,05. Para comparar, Together AI lista Beam a US$0,40 de entrada y US$1,20 de salida, y GPT-OSS-120B a US$0,15 y US$0,60. Fireworks publica una tarifa genérica de US$0,90 por millón para modelos densos no listados de más de 16.000 millones de parámetros, que no debe tomarse como el precio confirmado de Ripple.

Dos advertencias prácticas. Primero, el endpoint de OpenRouter soporta 16.384 tokens de contexto, muy por debajo del millón que anuncia Ricursive: no asumas que ese precio compra la ventana completa. Segundo, la licencia Apache 2.0 permite uso comercial, modificación y redistribución sin royalty ni umbral de ingresos, pero exige conservar la licencia y los avisos de copyright, e identificar los archivos modificados.

¿Qué significa esto para tu startup?

Evalúa con tus propios repositorios, no con el leaderboard. Arma un set de 20 a 50 tareas reales de tu equipo y mide tareas completadas, errores, tiempo y cuánta intervención humana hizo falta. Un benchmark de agente refleja el entorno de evaluación tanto como el modelo.
Mide costo por trabajo terminado, no precio por token. Un modelo más barato por token que reintenta tres veces sale más caro. Suma tokens de entrada, salida, reintentos y el costo del entorno donde el agente ejecuta herramientas.
Si te interesa el despliegue local, distingue las versiones. La model card enlaza pesos BF16 y NVFP4 (comprimidos) además de un modelo base BF16. Ricursive menciona DGX Spark y MacBooks, pero el anuncio no fija una configuración de memoria, velocidad ni contexto útil: eso hay que medirlo.
Aprovecha la licencia para prototipar sin fricción. Poder descargar, modificar y usar comercialmente sin negociar un contrato de licencia baja el costo de experimentar, incluso si después vuelves a una API.

Las preguntas que siguen abiertas

Ricursive sostiene que entrenó Ripple desde cero con 12 billones de tokens y que el desarrollo completo costó US$32 millones, frente a los cientos de millones o miles de millones que se estiman para modelos frontera propietarios. También afirma que alcanzó su resultado en Terminal-Bench con 1,4 millones de rollouts de aprendizaje por refuerzo, unas 70 veces menos que el enfoque de Reflection, que reportó más de 100 millones de rollouts en cuatro semanas.

Esos números son afirmaciones de la compañía y no una contabilidad comparable entre ambas empresas. Secuencias de acciones más cortas o más largas cambian el costo real. Lo mismo ocurre con el argumento de eficiencia de entrenamiento: el gráfico que Ricursive publica muestra hasta 16 veces menos cómputo a la escala de 4.000 millones de parámetros, una medida de eficiencia en un objetivo específico que no se traduce directamente en mejor desempeño del agente ni en menor costo operativo.

Conclusión

Ripple-65B Preview es un candidato serio a evaluación, no un reemplazo automático. La combinación de pesos descargables, licencia Apache 2.0, resultados competitivos reportados por la empresa y una entrada de API barata justifica una prueba acotada. Lo que todavía no está resuelto es la reproducibilidad, los límites reales de despliegue y el costo por trabajo completado: las tres métricas que deciden si un buen puntaje en un benchmark se convierte en una herramienta útil para tu equipo.