Ricursive Intelligence, el laboratorio full-stack que co-diseña su propio chip, su software y su modelo alrededor de su plataforma de diseño de chips con IA, ha publicado Ripple-65B Preview: un modelo denso de 65.000 millones de parámetros entrenado desde cero sobre 12 billones de tokens, con hasta un millón de tokens de contexto. El número de portada es la programación agéntica: 80,52 en TerminalBench 2.1, el mejor resultado entre los modelos de pesos abiertos de Estados Unidos, por delante de Reflection Beam 501B y del 816B de Meta. El segundo número es el coste: la empresa informa de 32 millones de dólares de inversión total —unos décimos del anterior estado del arte abierto— y de un resultado final alcanzado con 1,4 millones de rollouts de refuerzo, unos 70 veces menos que el anterior campeón. Apache 2.0, pesos en Hugging Face, y listo para correr en llama.cpp v1.0.0 —el motor estable que llegó ayer— sobre máquinas como el NVIDIA DGX Spark.
Ricursive Intelligence no es un laboratorio de modelos clásico: es una empresa «full-stack» que construye sistemas auto-mejorables co-optimizando hardware, software y modelo, y el primer cliente de ese trabajo es su propia plataforma de diseño de chips con IA. Hoy la empresa publica Ripple-65B Preview, la versión generalista del modelo propietario que alimenta esa plataforma: una arquitectura densa de 65.000 millones de parámetros, entrenada desde cero sobre 12 billones de tokens, con hasta un millón de tokens de contexto. Los pesos se publican con licencia Apache 2.0 en Hugging Face —el repositorio suma ya 576 «me gusta» y 8.518 descargas— y la empresa también los ofrece como servicio en Together AI, GMI Cloud, OpenRouter y Fireworks. El anuncio data del 3 de noviembre, y desde entonces las primeras cuantizaciones y variantes comunitarias no han dejado de multiplicarse.
El número que la empresa resalta es el de la programación agéntica, la clase de benchmarks que se ha convertido en el termómetro de facto de los modelos que trabajan en terminales y repositorios reales: 80,52 en TerminalBench 2.1, que la empresa presenta como el mejor resultado entre los modelos de pesos abiertos de Estados Unidos. Eso sitúa a Ripple-65B por delante de Reflection Beam 501B (80,1), por delante del Muse Spark Open 816B de Meta (76,4) y muy por delante del Inkling 975B de Thinking Machines (63,8) o del Nemotron 3 Ultra 550B de NVIDIA (56,4). La arquitectura densa —todos los parámetros activos por token, a diferencia de un MoE— es la respuesta que la empresa da a la latencia: la misma clase de razonamiento que modelos mucho mayores, con generación de tokens rápida y un envelope de parámetros pequeño, que cabe en máquinas locales como el NVIDIA DGX Spark, que combina mucha potencia de cálculo con poca banda de memoria. El movimiento comunitario ya está encima: en Hugging Face hay versiones GGUF con más de 100.000 descargas, variantes NVFP4 para inferencia en GPU actuales, un modelo draft DFlash2 para decodificación especulativa y las habituales versiones «abliterated» sin filtros de contenido.
El segundo número es el coste. La empresa informa de 32 millones de dólares de inversión en el I+D completo —la escalera de pre-entrenamiento, la mezcla de datos, las evaluaciones, los datos sintéticos, la receta de post-entrenamiento y la corrida final—, lo que, por su propia estimación, es un orden de magnitud menos de lo que costó el anterior estado del arte abierto en programación agéntica. Para llegar ahí sin comprar datos de post-entrenamiento, construyó su propio pipeline de datos sintéticos con filtros de calidad y métricas de cobertura; la receta de aprendizaje por refuerzo mezcla muestreo de importancia truncado, centrado de puntuaciones y penalización lineal de longitud sobre entornos sintéticos de horizonte largo, con dificultad que sube conforme el modelo mejora. El resultado es lo que la empresa llama una «escalada pronunciada»: un 80,5 en TerminalBench 2.1 con solo 1,4 millones de rollouts de refuerzo, unos 70 veces menos que el anterior campeón. Todo ello co-diseñado con hardware de NVIDIA —una decisión que explica, además, parte de la eficiencia. Conviene leer el número con una sal de cautela: es la contabilidad de la propia empresa y el «SOTA estadounidense» se mide en un benchmark, no en una categoría universal.
Para el lector self-hosting la noticia llega con un puente directo hacia la portada de ayer: la arquitectura «ricursive» —esto es, este modelo denso de 65B— es una de las nuevas familias que llama.cpp v1.0.0, el primer estable del motor de referencia para LLMs locales, ha añadido a su lista. Traducido: el campeón estadounidense de pesos abiertos en programación agéntica ya puede correr sobre las builds oficiales del 1.0 —Docker, Debian, Homebrew, conda-forge y la app de escritorio del equipo—, sin esperar a que la comunidad lo meta a golpe de parche. El debate ya está en marcha: en Hacker News el anuncio acumula más de 340 puntos de conversación, y entre ellos la comparación práctica de las variantes GGUF, el camino NVFP4 y el modelo draft DFlash2 que la comunidad ya ha empaquetado para la decodificación especulativa.