Ricursive Intelligence, un laboratoire d’IA qui se présente comme commençant par la conception de puces, a publié Ripple-65B Preview le 4 novembre 2026. Les poids sont sous Apache 2.0, les scores en codage sont ceux du laboratoire lui-même, et les fichiers GGUF pour llama.cpp proviennent d’un mainteneur de la communauté.
Ricursive publie Ripple-65B Preview
Ricursive Intelligence a créé ses dépôts Ripple-65B Preview sur Hugging Face le 4 novembre 2026, et son billet de lancement indique que le modèle est disponible sur Hugging Face, Together AI, GMI Cloud, OpenRouter et Fireworks. La fiche du modèle le décrit comme un Transformer dense de 65 milliards de paramètres axé sur le codage agentique. Cet article rapporte ce que disent Ricursive et le mainteneur communautaire AtomicChat, et distingue leurs affirmations de ce qui a pu être vérifié.
Le site web de Ricursive présente l’entreprise comme un laboratoire d’IA de pointe qui se consacre à la construction de systèmes capables de s’améliorer eux-mêmes, en commençant par la conception de puces. Son billet de lancement indique que Ripple-65B Preview est une variante généraliste du modèle propriétaire qui fait fonctionner sa plateforme de conception de puces par l’IA. Ces deux descriptions sont celles de Ricursive.
Ce que Ricursive a publié
| Caractéristique | Détail publié |
|---|---|
| Développeur | Ricursive Intelligence, organisation Hugging Face ricursiveAI |
| Architecture | Transformer dense à 80 couches, avec un d_model de 5120 |
| Paramètres | 65 milliards |
| Jetons de préentraînement | 12 billions, issus d’un corpus uniquement textuel, majoritairement en anglais et en code |
| Contexte annoncé | 1 048 576 jetons |
| Versions officielles ajustées aux instructions | BF16 (129,6 GB) et NVFP4 (57,2 GB, étiquetée Experimental) |
| Autres dépôts officiels | Modèle de base BF16 (préentraînement uniquement) et modèle brouillon DFlash2 pour le décodage spéculatif (4,04 milliards de paramètres, BF16) |
| Licence | Apache 2.0, selon le fichier LICENSE de chaque dépôt officiel et du dépôt GGUF communautaire |
| Création des dépôts | 4 novembre 2026 (BF16, NVFP4, DFlash2) et 14 octobre 2026 (base) |
| Révisions consultées le 12 novembre 2026 | BF16 b172323f (dernière modification le 10 novembre), NVFP4 2789217b (11 novembre), GGUF communautaire df550a71 (6 novembre) |
Source : fiches de modèle de Ricursive pour les dépôts BF16, NVFP4, base et DFlash2, avec les tailles de fichiers et les dates issues des métadonnées des dépôts Hugging Face. La fiche indique 1Mi (1 048 576 jetons), alors que le fichier config.json du dépôt fixe max_position_embeddings à 2 097 152. La version NVFP4 de Ricursive conserve l’attention en BF16 et quantifie les couches MLP, ce que Ricursive qualifie de quantification prudente.
Ce que signifie Preview ici
Selon la fiche, cette version a fait l’objet d’un post-entraînement relativement léger, centré sur le codage agentique. Le modèle a été préentraîné sur un corpus uniquement textuel, majoritairement en anglais et en code, et Ricursive livre la version NVFP4 à titre expérimental. Le contexte de 1 048 576 jetons est le chiffre que Ricursive annonce. Le seul résultat en contexte long de la fiche est le score AA-LCR de 75,0 obtenu par Ricursive elle-même, si bien que la longueur de contexte n’a été vérifiée par personne d’autre.
Performances communiquées par l’éditeur
La fiche de Ricursive fait état d’un score de 80,52 sur TerminalBench 2.1 et affirme que ce résultat dépasse des modèles américains à poids ouverts nettement plus grands, en citant Reflection Beam 501B à 80,1, Meta Muse Spark Open 816B à 76,4, Thinking Machines Inkling 975B à 63,8 et NVIDIA Nemotron 3 Ultra 550B à 56,4. La fiche précise que la comparaison utilise les scores des fiches officielles des modèles lorsqu’ils existent, et le processus d’évaluation interne de Ricursive pour les scores manquants. Elle indique aussi que « our results represent a best-effort attempt at a fair comparison » (nos résultats sont une tentative de comparaison équitable, faite au mieux). Les quatre modèles de comparaison sont des modèles à mélange d’experts qui comptent davantage de paramètres au total que Ripple. Le tableau de benchmarks de la fiche est la source de chaque score cité dans cet article. Le guide de TechiesJournal sur la lecture des affirmations relatives aux modèles d’IA (en anglais) explique quelles questions poser face à de tels chiffres.
Côté vitesse, la fiche indique que le modèle atteint « 250 tok/s on 2xB200 batch=8 prior to quantization or custom kernels » (avant toute quantification ou tout noyau personnalisé). La fiche ne précise pas si ce débit s’entend par requête ou cumulé sur l’ensemble du lot. Ce chiffre ne permet pas d’établir la latence sur votre propre machine.
Là où Ripple est en retrait, et ce que montrent les tests indépendants
La même fiche montre des benchmarks sur lesquels Ripple obtient un score inférieur au meilleur modèle qu’elle cite. Il s’agit des propres chiffres de Ricursive, et les noms des modèles sont ceux de la fiche.
| Benchmark | Ripple-65B Preview | Meilleur score cité dans la fiche |
|---|---|---|
| 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, évalué en interne par Ricursive) |
| MCP Atlas | 71,67 | 89,2 (Muse Spark Open 816B) |
Source : le tableau de benchmarks de la fiche du modèle Ripple-65B Preview. La fiche signale en italique les scores que Ricursive a obtenus elle-même, ce qui explique pourquoi le chiffre MMLU est indiqué comme interne.
Aucune évaluation indépendante n’a été trouvée au 12 novembre 2026. Artificial Analysis ne renvoyait aucune page pour Ripple-65B Preview et sa liste de modèles ne comportait aucune entrée Ripple, et le Vals Index ainsi que les pages de modèles de Vals AI n’en montraient pas non plus. Le classement de LMArena se trouve derrière une vérification anti-robots et n’a pas pu être consulté, si bien que cet article ne dit rien à son sujet. Tous les chiffres ci-dessus proviennent donc de Ricursive, et les chiffres de qualité ci-dessous proviennent d’AtomicChat.
Versions GGUF communautaires et llama.cpp
L’organisation Hugging Face de Ricursive ne liste aucun dépôt GGUF, et ni la fiche du modèle BF16 ni celle du modèle NVFP4 ne mentionnent GGUF, llama.cpp ou vLLM. L’ensemble GGUF le plus téléchargé provient d’AtomicChat, dont le dépôt indique Apache 2.0 comme licence. Sa fiche présente Atomic Chat comme une application qui exécute en local des modèles à poids ouverts, renvoie vers l’application et affirme que l’équipe a écrit la prise en charge de Ripple dans llama.cpp. Cette prise en charge a été intégrée à llama.cpp par la pull request #31692 le 5 novembre 2026 et est apparue pour la première fois dans le build b12167 le 6 novembre. Le lien entre l’auteur de la pull request et Atomic Chat repose sur la déclaration d’AtomicChat. D’autres conversions communautaires existent, et Ricursive n’en cautionne aucune. La comparaison de TechiesJournal entre Ollama et llama.cpp (en anglais) explique l’aspect environnement d’exécution.
AtomicChat publie 12 fichiers quantifiés en plus de l’original BF16. AD signifie Atomic Dynamic, c’est-à-dire des configurations par tenseur propres à AtomicChat, réalisées avec une matrice d’importance, et le Q4_K_M standard sert de référence. La dernière colonne est une mesure d’AtomicChat elle-même, sur son propre corpus de test. Elle indique à quelle fréquence un fichier choisit le même jeton suivant que l’original BF16.
| Fichier | Taille indiquée | Même jeton 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 % |
Source : la fiche du modèle GGUF d’AtomicChat, qui donne ces tailles en gigaoctets sur disque. La taille d’un fichier ne correspond pas à la totalité de la mémoire nécessaire, car le cache KV et la longueur de contexte choisie en demandent davantage. Un fichier de 38,8 Go ne tient pas dans 24 Go de mémoire vidéo. Pour une carte de 24 Go, AtomicChat suggère son fichier AD-IQ2_XXS de 20,0 Go, qui, selon sa mesure, retrouve le jeton principal du modèle original dans 80,8 % des cas, soit une forte baisse de fidélité. La même fiche donne la commande d’exemple llama-server -m Ripple-65B-Preview-AD-Q4_K_M.gguf --jinja -c 32768 -ngl 99, et indique qu’une exécution du Q4_K_M standard sur un GPU GH200 de 96 Go a généré 40,6 jetons par seconde lors d’un essai.
Comment l’exécuter
| Option | Ce que c’est | Taille | Source et statut |
|---|---|---|---|
| BF16 officiel | Modèle ajusté aux instructions, avec une recette SGLang 0.5.19 pour deux GPU NVIDIA B200 sous Linux avec CUDA Toolkit 13 | 129,6 GB | Dépôt BF16 de Ricursive, recette dans son dossier inference/server |
| NVFP4 officiel | Modèle ajusté aux instructions, étiqueté Experimental, avec un notebook et un script DGX Spark qui fixent SGLang 0.5.19 | 57,2 GB | Dépôt NVFP4 de Ricursive |
| GGUF communautaire | 12 fichiers quantifiés pour llama.cpp build b12167 ou plus récent | 18,5 GB à 68,8 GB quantifiés | Dépôt AtomicChat, ni publié ni cautionné par Ricursive |
| Hébergé | Points de terminaison listés sur OpenRouter, chez trois fournisseurs | Rien à télécharger | Page OpenRouter |
Les fiches de Ricursive n’indiquent aucun besoin en VRAM pour l’une ou l’autre des versions officielles, et la fiche BF16 affirme que la taille de 65 milliards de paramètres peut tenir sur du matériel grand public comme le NVIDIA DGX Spark. L’aspect pratique de l’exécution de modèles ouverts par vos propres moyens est traité dans le guide de TechiesJournal sur ce que cela demande réellement (en anglais). Considérez qu’aucune de ces options n’a été reproduite ici, et revérifiez la révision du modèle, la version de l’environnement d’exécution et la qualité de la quantification avant de vous appuyer sur l’une d’elles.
Pour l’accès hébergé, OpenRouter listait trois points de terminaison pour le modèle, relevés le 12 novembre 2026, à des prix de 0,10 à 0,20 dollar par million de jetons d’entrée et de 0,30 à 0,60 dollar par million de jetons de sortie, Together indiquant un contexte de 131 072 jetons contre 1 048 576 pour les deux autres. Les prix d’OpenRouter changent, et Fireworks, que Ricursive cite aussi, n’a pas été vérifié.
Références
- 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
Sources consultées le 12 novembre 2026. Les scores, la compatibilité et les prix sont ceux communiqués par Ricursive, AtomicChat et OpenRouter, et peuvent changer.