Ricursive Intelligence, un laboratorio de IA que, según su propia descripción, empieza por el diseño de chips, publicó Ripple-65B Preview el 4 de noviembre de 2026. Los pesos tienen licencia Apache 2.0, las puntuaciones de programación son las del propio laboratorio y los archivos GGUF para llama.cpp proceden de un mantenedor de la comunidad.
Ricursive publica Ripple-65B Preview
Ricursive Intelligence creó sus repositorios de Ripple-65B Preview en Hugging Face el 4 de noviembre de 2026, y su blog de lanzamiento indica que el modelo está disponible en Hugging Face, Together AI, GMI Cloud, OpenRouter y Fireworks. La ficha del modelo lo describe como un Transformer denso de 65 mil millones de parámetros centrado en la programación agéntica. Este artículo recoge lo que dicen Ricursive y el mantenedor de la comunidad AtomicChat, y separa sus afirmaciones de lo que se pudo comprobar.
El sitio web de Ricursive describe la empresa como un laboratorio de IA de frontera centrado en crear sistemas que se mejoran a sí mismos, empezando por el diseño de chips. Su blog de lanzamiento dice que Ripple-65B Preview es una variante de uso general del modelo propietario que impulsa su plataforma de diseño de chips con IA. Ambas descripciones son de la propia Ricursive.
Lo que publicó Ricursive
| Especificación | Dato publicado |
|---|---|
| Desarrollador | Ricursive Intelligence, organización ricursiveAI en Hugging Face |
| Arquitectura | Transformer denso con 80 capas y un d_model de 5120 |
| Parámetros | 65B |
| Tokens de preentrenamiento | 12 billones, de un corpus solo de texto, mayoritariamente en inglés y código |
| Contexto anunciado | 1 048 576 tokens |
| Versiones oficiales ajustadas para instrucciones | BF16 (129.6 GB) y NVFP4 (57.2 GB, etiquetada como Experimental) |
| Otros repositorios oficiales | Modelo base en BF16 (solo preentrenamiento) y un modelo borrador (drafter) DFlash2 para decodificación especulativa (4.04 mil millones de parámetros, BF16) |
| Licencia | Apache 2.0, según el archivo LICENSE de cada repositorio oficial y del repositorio GGUF de la comunidad |
| Repositorios creados | 4 de noviembre de 2026 (BF16, NVFP4, DFlash2) y 14 de octubre de 2026 (base) |
| Revisiones consultadas el 12 de noviembre de 2026 | BF16 b172323f (última modificación el 10 de noviembre), NVFP4 2789217b (11 de noviembre), GGUF de la comunidad df550a71 (6 de noviembre) |
Fuente: fichas del modelo de Ricursive para los repositorios BF16, NVFP4, base y DFlash2, con los tamaños de archivo y las fechas tomados de los metadatos de los repositorios en Hugging Face. La ficha indica 1Mi (1 048 576 tokens), mientras que el config.json del repositorio fija max_position_embeddings en 2 097 152. La versión NVFP4 de Ricursive mantiene la atención en BF16 y cuantiza las capas MLP, lo que Ricursive llama una cuantización conservadora.
Qué significa aquí Preview
La ficha dice que esta versión ha pasado por un postentrenamiento relativamente ligero, centrado en la programación agéntica. Se preentrenó con un corpus solo de texto, mayoritariamente en inglés y código, y Ricursive ofrece la versión NVFP4 como experimental. El contexto de 1 048 576 tokens es la cifra que anuncia Ricursive. El único resultado de contexto largo de la ficha es la propia puntuación de Ricursive en AA-LCR, de 75.0, así que nadie más ha verificado esa longitud de contexto.
Rendimiento comunicado por el desarrollador
La ficha de Ricursive indica una puntuación de 80.52 en TerminalBench 2.1 y afirma que supera a modelos estadounidenses de pesos abiertos considerablemente más grandes: Reflection Beam 501B con 80.1, Meta Muse Spark Open 816B con 76.4, Thinking Machines Inkling 975B con 63.8 y NVIDIA Nemotron 3 Ultra 550B con 56.4. La ficha dice que la comparación usa las puntuaciones de las fichas oficiales de los modelos cuando existen y el flujo de evaluación interno de Ricursive para las que faltan. También dice que «nuestros resultados representan un intento, en la medida de lo posible, de hacer una comparación justa». Los cuatro modelos de comparación son modelos de mezcla de expertos (mixture of experts) con más parámetros totales que Ripple. La tabla de benchmarks de la ficha es la fuente de todas las puntuaciones de este artículo. La guía de TechiesJournal sobre cómo leer las afirmaciones sobre modelos de IA (en inglés) explica qué preguntar ante cifras como estas.
En cuanto a la velocidad, la ficha dice que el modelo alcanza «250 tok/s en 2xB200 con batch=8 antes de la cuantización o de kernels personalizados». La ficha no dice si esa cifra es por solicitud o la suma de todo el lote. La cifra no establece la latencia en tu propia máquina.
Dónde queda por detrás Ripple y qué muestran las pruebas independientes
La misma ficha muestra benchmarks en los que Ripple puntúa por debajo del mejor modelo que enumera. Son cifras de la propia Ricursive, y los nombres de los modelos son los de la ficha.
| Benchmark | Ripple-65B Preview | Mejor puntuación indicada en la ficha |
|---|---|---|
| SWE-bench Verified | 76.5 | 81.6 (Reflection Beam 501B) |
| GPQA Diamond | 85.2 | 90.6 (Reflection Beam 501B) |
| MMLU | 89.6 | 92.6 (Muse Spark Open 816B, ejecutado internamente por Ricursive) |
| MCP Atlas | 71.67 | 89.2 (Muse Spark Open 816B) |
Fuente: la tabla de benchmarks de la ficha del modelo Ripple-65B Preview. La ficha marca en cursiva las puntuaciones que Ricursive obtuvo por su cuenta, y por eso la cifra de MMLU figura como interna.
No se encontró ninguna evaluación independiente el 12 de noviembre de 2026. Artificial Analysis no devolvió ninguna página para Ripple-65B Preview y su lista de modelos no mostraba ninguna entrada de Ripple. Las páginas del Vals Index y de modelos de Vals AI tampoco mostraban ninguna. La clasificación de LMArena está detrás de una verificación antibots y no se pudo consultar, así que este artículo no afirma nada sobre ella. Por lo tanto, todas las cifras anteriores proceden de Ricursive, y las cifras de calidad que siguen proceden de AtomicChat.
Versiones GGUF de la comunidad y llama.cpp
La organización de Ricursive en Hugging Face no lista ningún repositorio GGUF, y ni la ficha del modelo BF16 ni la de NVFP4 mencionan GGUF, llama.cpp ni vLLM. El conjunto GGUF más descargado procede de AtomicChat, cuyo repositorio indica Apache 2.0 como licencia. Su ficha describe Atomic Chat como una aplicación que ejecuta modelos de pesos abiertos en local, enlaza a la aplicación y dice que el equipo escribió la compatibilidad de llama.cpp con Ripple. Esa compatibilidad se incorporó a llama.cpp como la pull request #31692 el 5 de noviembre de 2026 y se publicó por primera vez en la versión b12167 el 6 de noviembre. El vínculo entre el autor de la pull request y Atomic Chat es una afirmación de AtomicChat. Existen otras conversiones de la comunidad, y Ricursive no respalda ninguna. La comparación de TechiesJournal entre Ollama y llama.cpp (en inglés) explica el lado del runtime.
AtomicChat publica 12 archivos cuantizados además del original en BF16. AD significa Atomic Dynamic, las disposiciones por tensor propias de AtomicChat creadas con una matriz de importancia, y el Q4_K_M simple es su referencia. La última columna es una medición propia de AtomicChat con su propio corpus de prueba. Muestra con qué frecuencia un archivo elige el mismo siguiente token que el original en BF16.
| Archivo | Tamaño indicado | Mismo token principal que BF16 |
|---|---|---|
| Q4_K_M | 38.8 GB | 93.0 % |
| AD-Q4_K_M | 40.4 GB | 95.9 % |
| AD-IQ4_XS | 38.7 GB | 95.6 % |
| AD-IQ3_XXS | 28.0 GB | 91.2 % |
Fuente: la ficha del modelo GGUF de AtomicChat, que da estos tamaños en gigabytes en disco. Los tamaños de archivo no son toda la memoria necesaria, porque la KV cache y la longitud de contexto elegida requieren más. Un archivo de 38.8 GB no cabe en 24 GB de memoria de video. Para una tarjeta de 24 GB, AtomicChat sugiere su archivo AD-IQ2_XXS de 20.0 GB, que según su medición coincide con el token principal del modelo original el 80.8 % de las veces, una gran pérdida de fidelidad. La misma ficha da el comando de ejemplo llama-server -m Ripple-65B-Preview-AD-Q4_K_M.gguf --jinja -c 32768 -ngl 99, y dice que una ejecución del Q4_K_M simple en una GPU GH200 de 96 GB generó 40.6 tokens por segundo en una sola ejecución.
Formas de ejecutarlo
| Vía | Qué es | Tamaño | Fuente y estado |
|---|---|---|---|
| BF16 oficial | Modelo ajustado para instrucciones, con una receta de SGLang 0.5.19 para dos GPU NVIDIA B200 en Linux con CUDA Toolkit 13 | 129.6 GB | Repositorio BF16 de Ricursive, receta en su carpeta inference/server |
| NVFP4 oficial | Modelo ajustado para instrucciones, etiquetado como Experimental, con un notebook y un script para DGX Spark que fijan SGLang 0.5.19 | 57.2 GB | Repositorio NVFP4 de Ricursive |
| GGUF de la comunidad | 12 archivos cuantizados para la versión b12167 de llama.cpp o posterior | De 18.5 GB a 68.8 GB cuantizados | Repositorio de AtomicChat, no publicado ni respaldado por Ricursive |
| Alojado | Endpoints listados en OpenRouter, de tres proveedores | Nada que descargar | Listado de OpenRouter |
Las fichas de Ricursive no indican ningún requisito de VRAM para ninguna de las dos versiones oficiales, y la ficha BF16 dice que el tamaño de 65B puede caber en hardware de consumo como el NVIDIA DGX Spark. El lado práctico de ejecutar tú mismo modelos abiertos se trata en la guía de TechiesJournal sobre lo que realmente hace falta (en inglés). Considera que ninguna de estas vías se ha reproducido aquí, y vuelve a comprobar la revisión del modelo, la versión del runtime y la calidad de la cuantización antes de confiar en cualquiera de ellas.
Para el acceso alojado, OpenRouter listaba tres endpoints para el modelo, observados el 12 de noviembre de 2026, con precios de entre 0.10 y 0.20 dólares por millón de tokens de entrada y de entre 0.30 y 0.60 dólares por millón de tokens de salida. Together indicaba un contexto de 131 072 tokens, frente a 1 048 576 en los otros dos. Los precios de OpenRouter cambian, y Fireworks, que Ricursive también menciona, no se comprobó.
Fuentes
- Ricursive: Ripple-65B Preview launch blog
- Ricursive Intelligence website
- Ripple-65B Preview model card (BF16)
- Ripple-65B Preview NVFP4 (Experimental)
- Ripple-65B Base Preview
- Ripple-65B Preview DFlash2
- AtomicChat Ripple-65B Preview GGUF
- llama.cpp pull request #31692
- llama.cpp release b12167
- OpenRouter: Ricursive Ripple 65B Preview
- Artificial Analysis models
- Vals AI: Vals Index
Las fuentes se consultaron el 12 de noviembre de 2026. Las puntuaciones, la compatibilidad y los precios son los que indican Ricursive, AtomicChat y OpenRouter, y pueden cambiar.