Ricursive Intelligence, एक AI लैब जो अपने बारे में कहती है कि उसकी शुरुआत चिप डिज़ाइन से होती है, ने 4 नवंबर 2026 को Ripple-65B Preview जारी किया। वेट्स Apache 2.0 के तहत हैं, कोडिंग स्कोर लैब के अपने हैं, और llama.cpp के लिए GGUF फ़ाइलें एक कम्युनिटी मेंटेनर से आती हैं।
Ricursive ने Ripple-65B Preview जारी किया
Ricursive Intelligence ने 4 नवंबर 2026 को Hugging Face पर अपनी Ripple-65B Preview रिपॉज़िटरी बनाईं, और उसका लॉन्च ब्लॉग मॉडल को Hugging Face, Together AI, GMI Cloud, OpenRouter और Fireworks पर उपलब्ध बताता है। मॉडल कार्ड इसे एजेंटिक कोडिंग पर केंद्रित 65B पैरामीटर वाला डेंस Transformer कहता है। यह लेख बताता है कि Ricursive और कम्युनिटी मेंटेनर AtomicChat क्या कहते हैं, और उनके दावों को उन बातों से अलग रखता है जिनकी जाँच की जा सकी।
Ricursive की वेबसाइट कंपनी को एक फ़्रंटियर AI लैब बताती है जो सेल्फ़-इम्प्रूविंग सिस्टम बनाने पर केंद्रित है, और जिसकी शुरुआत चिप डिज़ाइन से होती है। उसका लॉन्च ब्लॉग कहता है कि Ripple-65B Preview उस प्रोप्राइटरी मॉडल का एक सामान्य-उद्देश्य वाला संस्करण है जो उसके AI चिप डिज़ाइन प्लेटफ़ॉर्म को चलाता है। ये दोनों विवरण Ricursive के अपने हैं।
Ricursive ने क्या जारी किया
| विनिर्देश | प्रकाशित विवरण |
|---|---|
| डेवलपर | Ricursive Intelligence, Hugging Face संगठन ricursiveAI |
| आर्किटेक्चर | 80 लेयर और 5120 के d_model वाला डेंस Transformer |
| पैरामीटर | 65B |
| प्रीट्रेनिंग टोकन | 12 ट्रिलियन, सिर्फ़ टेक्स्ट वाले कॉर्पस से, जिसमें मुख्य रूप से अंग्रेज़ी और कोड है |
| विज्ञापित कॉन्टेक्स्ट | 1,048,576 टोकन |
| आधिकारिक इंस्ट्रक्शन-ट्यून्ड बिल्ड | BF16 (129.6 GB) और NVFP4 (57.2 GB, Experimental लेबल के साथ) |
| अन्य आधिकारिक रिपॉज़िटरी | BF16 बेस मॉडल (सिर्फ़ प्रीट्रेनिंग) और एक DFlash2 स्पेक्युलेटिव-डिकोडिंग ड्राफ़्टर (4.04B पैरामीटर, BF16) |
| लाइसेंस | Apache 2.0, हर आधिकारिक रिपॉज़िटरी और कम्युनिटी GGUF रिपॉज़िटरी की LICENSE फ़ाइल के अनुसार |
| रिपॉज़िटरी बनने की तारीख | 4 नवंबर 2026 (BF16, NVFP4, DFlash2) और 14 अक्टूबर 2026 (बेस) |
| 12 नवंबर 2026 को पढ़े गए रिविज़न | BF16 b172323f (आख़िरी बदलाव 10 नवंबर), NVFP4 2789217b (11 नवंबर), कम्युनिटी GGUF df550a71 (6 नवंबर) |
स्रोत: BF16, NVFP4, बेस और DFlash2 रिपॉज़िटरी के लिए Ricursive के मॉडल कार्ड, और फ़ाइल साइज़ तथा तारीखें Hugging Face के रिपॉज़िटरी मेटाडेटा से। कार्ड 1Mi (1,048,576 टोकन) बताता है, जबकि रिपॉज़िटरी की config.json में max_position_embeddings का मान 2,097,152 है। Ricursive का NVFP4 बिल्ड अटेंशन को BF16 में रखता है और MLP लेयर को क्वांटाइज़ करता है, जिसे वह एक सतर्क (कंज़र्वेटिव) क्वांटाइज़ेशन कहता है।
यहाँ Preview का मतलब
कार्ड कहता है कि इस रिलीज़ में अपेक्षाकृत हल्का पोस्ट-ट्रेनिंग हुआ है, जिसका ध्यान एजेंटिक कोडिंग पर रहा। इसे सिर्फ़ टेक्स्ट वाले ऐसे कॉर्पस पर प्रीट्रेन किया गया जिसमें मुख्य रूप से अंग्रेज़ी और कोड है, और Ricursive NVFP4 बिल्ड को प्रायोगिक (experimental) के रूप में जारी करता है। 1,048,576 टोकन का कॉन्टेक्स्ट वह आँकड़ा है जिसका Ricursive विज्ञापन करता है। कार्ड पर लंबे कॉन्टेक्स्ट का एकमात्र नतीजा Ricursive का अपना AA-LCR स्कोर 75.0 है, इसलिए कॉन्टेक्स्ट की लंबाई की पुष्टि किसी और ने नहीं की है।
वेंडर द्वारा रिपोर्ट किया गया प्रदर्शन
Ricursive का कार्ड TerminalBench 2.1 पर 80.52 का स्कोर रिपोर्ट करता है और कहता है कि यह कहीं बड़े अमेरिकी ओपन-वेट मॉडलों से आगे है। वह Reflection Beam 501B को 80.1, Meta Muse Spark Open 816B को 76.4, Thinking Machines Inkling 975B को 63.8 और NVIDIA Nemotron 3 Ultra 550B को 56.4 पर सूचीबद्ध करता है। कार्ड के अनुसार तुलना में जहाँ उपलब्ध थे वहाँ आधिकारिक मॉडल कार्ड के स्कोर और जहाँ नहीं थे वहाँ Ricursive के अपने इन-हाउस मूल्यांकन फ़्लो के स्कोर इस्तेमाल हुए। कार्ड यह भी कहता है कि “हमारे नतीजे एक निष्पक्ष तुलना की सर्वोत्तम कोशिश हैं”। तुलना वाले चारों मॉडल mixture-of-experts मॉडल हैं जिनमें Ripple से ज़्यादा कुल पैरामीटर हैं। कार्ड की बेंचमार्क तालिका इस लेख के हर स्कोर का स्रोत है। AI मॉडल के दावों को कैसे पढ़ें पर TechiesJournal की गाइड बताती है कि ऐसे आँकड़ों से क्या पूछना चाहिए।
गति के बारे में कार्ड कहता है कि मॉडल “2xB200 पर batch=8 के साथ, क्वांटाइज़ेशन या कस्टम कर्नेल से पहले, 250 tok/s” तक पहुँचता है। कार्ड यह नहीं बताता कि यह प्रति अनुरोध है या पूरे बैच का जोड़। यह आँकड़ा आपकी अपनी मशीन पर लेटेंसी तय नहीं करता।
Ripple कहाँ पीछे है, और स्वतंत्र परीक्षण क्या दिखाता है
वही कार्ड ऐसे बेंचमार्क दिखाता है जिन पर Ripple का स्कोर उसके सूचीबद्ध सबसे अच्छे मॉडल से कम है। ये Ricursive के अपने आँकड़े हैं, और मॉडल के नाम कार्ड के हैं।
| बेंचमार्क | Ripple-65B Preview | कार्ड पर सूचीबद्ध सबसे अच्छा स्कोर |
|---|---|---|
| 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, Ricursive द्वारा इन-हाउस चलाया गया) |
| MCP Atlas | 71.67 | 89.2 (Muse Spark Open 816B) |
स्रोत: Ripple-65B Preview मॉडल कार्ड की बेंचमार्क तालिका। कार्ड उन स्कोर को इटैलिक में दिखाता है जिन्हें Ricursive ने खुद चलाया, इसीलिए MMLU के आँकड़े पर इन-हाउस लिखा है।
12 नवंबर 2026 को कोई स्वतंत्र मूल्यांकन नहीं मिला। Artificial Analysis पर Ripple-65B Preview का कोई पेज नहीं मिला और उसकी मॉडल सूची में Ripple की कोई प्रविष्टि नहीं थी, और Vals Index तथा Vals AI के मॉडल पेजों पर भी कोई प्रविष्टि नहीं थी। LMArena का लीडरबोर्ड एक बॉट जाँच के पीछे है और पढ़ा नहीं जा सका, इसलिए यह लेख उसके बारे में कोई बात नहीं कहता। इसलिए ऊपर का हर आँकड़ा Ricursive से आता है, और नीचे दिए गुणवत्ता के आँकड़े AtomicChat से।
कम्युनिटी GGUF बिल्ड और llama.cpp
Ricursive के Hugging Face संगठन में कोई GGUF रिपॉज़िटरी सूचीबद्ध नहीं है, और न BF16 और न NVFP4 मॉडल कार्ड में GGUF, llama.cpp या vLLM का ज़िक्र है। सबसे ज़्यादा डाउनलोड किया गया GGUF सेट AtomicChat से आता है, जिसकी रिपॉज़िटरी Apache 2.0 को अपना लाइसेंस बताती है। उसका कार्ड Atomic Chat को एक ऐसा ऐप बताता है जो ओपन-वेट मॉडल लोकल रूप से चलाता है, ऐप का लिंक देता है और कहता है कि टीम ने Ripple के लिए llama.cpp सपोर्ट लिखा। वह सपोर्ट 5 नवंबर 2026 को pull request #31692 के रूप में llama.cpp में मर्ज हुआ और पहली बार 6 नवंबर को बिल्ड b12167 में आया। pull request के लेखक और Atomic Chat के बीच का संबंध AtomicChat का अपना बयान है। दूसरे कम्युनिटी कन्वर्ज़न भी मौजूद हैं, और Ricursive इनमें से किसी का समर्थन नहीं करता। Ollama और llama.cpp की TechiesJournal की तुलना रनटाइम वाला पक्ष समझाती है।
AtomicChat, BF16 मूल के साथ 12 क्वांटाइज़्ड फ़ाइलें प्रकाशित करता है। AD का मतलब Atomic Dynamic है, यानी importance matrix से बनाए गए AtomicChat के अपने प्रति-टेंसर लेआउट, और सामान्य Q4_K_M उसकी बेसलाइन है। आख़िरी कॉलम AtomicChat का अपने ही टेस्ट कॉर्पस पर किया गया अपना माप है। यह दिखाता है कि कोई फ़ाइल कितनी बार BF16 मूल जैसा ही अगला टोकन चुनती है।
| फ़ाइल | सूचीबद्ध साइज़ | BF16 जैसा ही शीर्ष टोकन |
|---|---|---|
| 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% |
स्रोत: AtomicChat GGUF मॉडल कार्ड, जो ये साइज़ डिस्क पर गीगाबाइट में देता है। फ़ाइल साइज़ पूरी मेमोरी ज़रूरत नहीं हैं, क्योंकि KV कैश और चुनी गई कॉन्टेक्स्ट लंबाई को और मेमोरी चाहिए। 38.8 GB की फ़ाइल 24 GB वीडियो मेमोरी में नहीं समाती। 24 GB वाले कार्ड के लिए AtomicChat सुझाता है अपनी 20.0 GB की AD-IQ2_XXS फ़ाइल, जिसे वह 80.8% बार मूल मॉडल के शीर्ष टोकन से मेल खाता हुआ मापता है, जो फ़िडेलिटी में बड़ी गिरावट है। वही कार्ड उदाहरण कमांड llama-server -m Ripple-65B-Preview-AD-Q4_K_M.gguf --jinja -c 32768 -ngl 99 देता है, और कहता है कि एक GH200 96 GB GPU पर सामान्य Q4_K_M ने एक रन में 40.6 टोकन प्रति सेकंड बनाए।
इसे चलाने के तरीके
| तरीका | यह क्या है | साइज़ | स्रोत और स्थिति |
|---|---|---|---|
| आधिकारिक BF16 | इंस्ट्रक्शन-ट्यून्ड मॉडल, Linux पर CUDA Toolkit 13 के साथ दो NVIDIA B200 GPU के लिए SGLang 0.5.19 रेसिपी सहित | 129.6 GB | Ricursive BF16 रिपॉज़िटरी, रेसिपी उसके inference/server फ़ोल्डर में |
| आधिकारिक NVFP4 | इंस्ट्रक्शन-ट्यून्ड मॉडल, Experimental लेबल के साथ, एक नोटबुक और एक DGX Spark स्क्रिप्ट सहित जो SGLang 0.5.19 पिन करते हैं | 57.2 GB | Ricursive NVFP4 रिपॉज़िटरी |
| कम्युनिटी GGUF | llama.cpp बिल्ड b12167 या नए के लिए 12 क्वांटाइज़्ड फ़ाइलें | 18.5 GB से 68.8 GB क्वांटाइज़्ड | AtomicChat रिपॉज़िटरी, Ricursive द्वारा प्रकाशित या समर्थित नहीं |
| होस्टेड | OpenRouter पर सूचीबद्ध एंडपॉइंट, तीन प्रोवाइडर से | डाउनलोड करने को कुछ नहीं | OpenRouter लिस्टिंग |
Ricursive के कार्ड किसी भी आधिकारिक बिल्ड के लिए VRAM ज़रूरत नहीं बताते, और BF16 कार्ड कहता है कि 65B साइज़ NVIDIA DGX Spark जैसे कंज़्यूमर हार्डवेयर पर आ सकता है। ओपन मॉडल खुद चलाने का व्यावहारिक पक्ष TechiesJournal की गाइड असल में इसके लिए क्या चाहिए में है। हर तरीके को यहाँ दोहराया नहीं गया मानें, और किसी पर भी भरोसा करने से पहले मॉडल रिविज़न, रनटाइम संस्करण और क्वांटाइज़ेशन की गुणवत्ता दोबारा जाँचें।
होस्टेड एक्सेस के लिए, 12 नवंबर 2026 को देखे जाने पर OpenRouter ने मॉडल के तीन एंडपॉइंट सूचीबद्ध किए, जिनकी कीमत $0.10 से $0.20 प्रति मिलियन इनपुट टोकन और $0.30 से $0.60 प्रति मिलियन आउटपुट टोकन थी, और Together ने 131,072 टोकन का कॉन्टेक्स्ट सूचीबद्ध किया जबकि बाकी दो ने 1,048,576। OpenRouter की कीमतें बदलती हैं, और Fireworks, जिसका नाम Ricursive भी लेता है, जाँचा नहीं गया।
स्रोत
- Ricursive: Ripple-65B Preview लॉन्च ब्लॉग
- Ricursive Intelligence वेबसाइट
- Ripple-65B Preview मॉडल कार्ड (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 रिलीज़ b12167
- OpenRouter: Ricursive Ripple 65B Preview
- Artificial Analysis मॉडल
- Vals AI: Vals Index
स्रोत 12 नवंबर 2026 को पढ़े गए। स्कोर, संगतता और कीमतें Ricursive, AtomicChat और OpenRouter की बताई हुई हैं, और बदल सकती हैं।