Ripple-65B devance des modèles ouverts cinq à quinze fois plus gros sur le codage agentique
Le 4 novembre 2026, Ricursive publie Ripple-65B Preview, un modèle dense open-weight de 65 milliards de paramètres entraîné de zéro pour le codage agentique : 80,5 sur Terminal-Bench 2.1, devant des MoE de 501 à 975 milliards, pour 32 millions de dollars de recherche. Les scores restent autodéclarés et inégaux hors codage ; l’intérêt est d’abord une affaire d’efficacité.
4 novembre 2026. Ricursive Intelligence publie Ripple-65B Preview, un modèle dense de 65 milliards de paramètres, open-weight, entraîné de zéro pour le codage agentique. 4 novembre 2026. Le score annoncé est de 80,52 sur Terminal-Bench 2.1, le plus élevé autodéclaré parmi les modèles ouverts américains. 5 novembre 2026. Les poids sont disponibles sur Hugging Face sous Apache 2.0. La revendication tient en une phrase : un modèle dense de 65 milliards bat des MoE de 501 à 975 milliards sur le codage agentique, pour un dixième du coût.
Pour une équipe qui héberge son propre agent de codage, ce n’est pas une annonce de plus. C’est la question de l’efficacité contre la taille posée en chiffres, avec un nom inattendu — un laboratoire spécialisé dans la conception de puces.
Qui est Ricursive, et pourquoi son modèle vient de la conception de puces
Ricursive Intelligence n’est pas un éditeur de modèles grand public. C’est un laboratoire « full-stack » qui co-optimise matériel, logiciel et modèle pour concevoir des puces. Ripple-65B Preview est la variante généraliste du modèle propriétaire qui anime sa plateforme de conception de puces assistée par IA.
Cette origine explique deux choix.
- Un Transformer dense plutôt qu’un MoE. Ricursive a écarté le Mixture-of-Experts pour réduire la complexité d’infrastructure, pas pour battre un benchmark.
- Un budget maîtrisé. Le coût total de recherche et développement annoncé est de 32 millions de dollars, soit environ un dixième du précédent leader open-weight du codage agentique, selon le laboratoire.
Le résultat est un modèle fin et profond : une dimension de modèle de 5120 répartie sur 80 couches, entraîné sur 12 000 milliards de tokens, avec un contexte allant jusqu’à 1 million de tokens. L’entraînement a tenu 40 % de MFU avec un simple sharding, sans noyau personnalisé ni quantification.
Une recette pensée pour l’efficacité
Les choix d’architecture racontent la même histoire que le budget : la simplicité comme levier.
- Attention surprovisionnée pour le raisonnement, compensée par davantage de couches sliding-window et des fenêtres plus petites.
- Attention à porte (gated attention), NoPE global et résidus de valeur (value residuals), trois mécanismes empruntés à la littérature récente.
- Écrêtage des activations FFN, une technique déjà utilisée dans gpt-oss d’OpenAI.
La recette a été construite par expériences en échelle (laddering), en partant de l’échelle d’Olmo 3. Ricursive a rejeté tout changement qui ne tenait pas à l’échelle de 4 milliards, comme le multi-head causal à deux flux. Le post technique revendique un gain de 16× en efficacité de calcul de code à cette échelle.
Le post-entraînement suit la même logique de frugalité. Il combine échantillonnage par importance tronqué, centrage des scores et pénalité de longueur linéaire, sans acheter de données : les pipelines synthétiques sont construits en interne. Ripple atteint son 80,5 avec 1,4 million de rollouts, soit environ 70 fois moins que les 100 millions annoncés par Beam.
Cette frugalité est le vrai signal de l’annonce. Si le score se confirme, la leçon n’est pas « les petits modèles battent les gros », mais « la discipline d’entraînement compte autant que l’échelle » — et qu’une équipe peut obtenir un codage agentique compétitif sans aligner un rack de H100.
La revendication : 80,5 sur Terminal-Bench, devant des modèles cinq à quinze fois plus gros
Le benchmark central est Terminal-Bench 2.1, qui mesure la capacité à piloter un terminal réel pour accomplir une tâche. Ripple-65B Preview y annonce 80,5, contre :
- Beam de Reflection : 80,1, pour 501 milliards de paramètres totaux ;
- Muse Spark Open de Meta : 76,4, pour 816 milliards ;
- Inkling de Thinking Machines : 63,8, pour 975 milliards ;
- Nemotron 3 Ultra de NVIDIA : 56,4, pour 550 milliards.
Tous les concurrents que le modèle dépasse sont des MoE de 501 à 975 milliards de paramètres totaux. Le rapport est brutal : 5 à 15 fois plus de paramètres totaux pour un score inférieur ou à peine supérieur.
Un détail nuance le tableau. Quand Ricursive a rejoué Terminal-Bench 2.1 avec le harnais officiel Terminus 2 à 128K de contexte, la plupart des rivaux ont chuté — Beam est tombé à 70,8 — tandis que Muse Spark Open est remonté à 78,7, toujours sous les 80,5 de Ripple.
Les faiblesses : un spécialiste du codage, pas un généraliste
Le revers est tout aussi net. Ripple-65B Preview est un spécialiste du codage agentique, pas un modèle généraliste.
- SciCode : 39,4, le plus bas des cinq modèles du tableau de Ricursive.
- DeepSWE 1.1 : 44,3, en retrait.
- SWE-bench Verified : 76,5, sous Beam (80,9) et Inkling (77,6).
- GPQA Diamond : 85,2, derrière Muse Spark Open (89,0) et NVIDIA (87,0).
En mathématiques, en revanche, le modèle tient : 98,3 sur AIME 2025 et 90,5 sur HMMT février 2026. Le profil est cohérent — fort sur le raisonnement orienté tâche, plus faible sur les connaissances scientifiques pures. C’est le compromis assumé d’un modèle entraîné pour coder, pas pour tout faire.
Il faut aussi rappeler une limite méthodologique : tous les scores sont autodéclarés, comme ceux des concurrents cités. Aucune évaluation indépendante n’a encore confirmé le 80,5 de Terminal-Bench. La prudence impose de lire ce chiffre comme une revendication du vendeur, pas comme un verdict tiers.
Ce que ça change pour le paysage des modèles ouverts
L’histoire que raconte Ripple-65B dépasse le laboratoire. Elle porte sur la courbe de coût de l’entraînement open-weight.
Un modèle dense de 65 milliards qui rivalise avec des MoE de 500 milliards — s’il est confirmé — signifie qu’une équipe peut atteindre un niveau compétitif sans investir dans l’infrastructure MoE. C’est un signal pour tous ceux qui hésitent à auto-héberger un agent de codage.
- Coût d’exécution. Le modèle annonce 250 tokens par seconde sur 2× B200 en BF16, et une variante NVFP4 vise le NVIDIA DGX Spark — une machine de bureau.
- Licence. Apache 2.0, sans restriction commerciale, avec trois checkpoints (instruct BF16, base BF16, NVFP4).
- Distribution. Poids sur Hugging Face, inférence chez Together AI, GMI Cloud et OpenRouter.
Pour une équipe qui veut garder ses modèles chez elle, l’argument d’efficacité est concret : un agent de codage compétitif qui tourne sur une ou deux cartes, plutôt que sur un rack. C’est la promesse que les MoE rendaient difficile à tenir.
Verdict
Ripple-65B Preview est une revendication d’efficacité, pas encore une révolution confirmée. Son score phare est autodéclaré, et ses résultats restent inégaux — excellent en codage agentique, faible en connaissances scientifiques.
Si vous auto-hébergez un agent de codage et que le coût matériel est votre contrainte, Ripple-65B mérite un essai : un dense de 65 milliards qui approche les MoE de 500 milliards, sous Apache 2.0, avec une variante pour machine de bureau. Si vous cherchez un modèle généraliste ou que vos tâches touchent au code scientifique, attendez des évaluations indépendantes. La leçon, elle, est déjà là : la taille totale des paramètres n’est plus le bon indicateur de compétence, et le codage agentique est en train de devenir le premier terrain où l’efficacité l’emporte sur l’échelle.