✨︎ Resumen (TL;DR):
- Ricursive Intelligence liberó Ripple-65B Preview con pesos abiertos bajo la licencia Apache 2.0.
- El modelo tiene 65,000 millones de parámetros y la empresa atribuye 32 millones de dólares a su desarrollo y entrenamiento.
- Ripple supera a Reflection Beam en algunas mediciones, pero queda por debajo en otras pruebas de programación.
Ricursive Intelligence liberó el 4 de noviembre de 2026 Ripple-65B Preview, un modelo de inteligencia artificial de 65,000 millones de parámetros con pesos abiertos bajo la licencia Apache 2.0. La empresa afirma que supera a varios modelos estadounidenses más grandes en programación, aunque sus propios resultados cambian según el benchmark y el sistema que ejecuta cada tarea.
Ripple-65B Preview es un modelo de inteligencia artificial con pesos abiertos que usa sus 65,000 millones de parámetros para procesar cada token. El modelo se basa en una variante de la tecnología que Ricursive utiliza en su plataforma de diseño de chips.
Los pesos son los valores que un modelo aprende durante el entrenamiento. Al publicar Ripple bajo Apache 2.0, Ricursive permite descargarlo y adaptarlo conforme a esa licencia, pero los pesos por sí solos no incluyen todos los datos ni los recursos usados para entrenarlo.
La ventaja cambia según el benchmark
En Terminal-Bench 2.1, una prueba de tareas que se resuelven mediante una terminal, Ricursive reportó 80.52 puntos para Ripple frente a 80.1 para Reflection Beam. La diferencia entre las cifras redondeadas es de cuatro décimas de punto.
Ese resultado corresponde al grupo de modelos estadounidenses de pesos abiertos que la empresa eligió comparar, no a todos los modelos disponibles. Por tanto, no equivale a una comparación general contra cualquier modelo del mercado.
La ficha técnica combina puntuaciones publicadas por los desarrolladores con evaluaciones hechas por Ricursive cuando faltaban datos. La empresa reconoce que reproducir pruebas de agentes es difícil. El harness es el sistema que da al modelo acceso a herramientas y administra la ejecución de las tareas; si cambia, el resultado también puede cambiar.
Las otras mediciones cambian el orden:
- En SWE-bench Verified, Ripple obtiene 76.5 y Beam 81.6.
- En SWE-bench Pro v2.0 Hard, Ripple registra 79.1 y Beam 76.5.
Se trata de tareas y configuraciones distintas. Ninguna de esas cifras, por sí sola, determina cuál de los dos modelos resolverá mejor un proyecto concreto.
VentureBeat también detectó una diferencia dentro de los materiales de Ricursive. El gráfico de lanzamiento que recoge el medio asigna 72.4 a Muse Spark Open en SWE-bench Pro v2.0 Hard, mientras que la ficha del modelo consultada le da 52.3. Los documentos revisados no explican el motivo.
El tamaño total no cuenta toda la historia
Ripple es un modelo denso: utiliza sus 65,000 millones de parámetros al procesar cada token. Beam tiene 501,000 millones de parámetros en total, pero activa 23,000 millones por token, según la tabla de Ricursive.
Beam emplea una arquitectura de mezcla de expertos, que activa partes del modelo para cada operación. Por eso, comparar únicamente los parámetros totales no permite saber cuánto costará o tardará cada sistema en resolver una tarea.
También importan los parámetros activos, la infraestructura, el texto procesado y las condiciones de la prueba. Reflection publicó Beam con pesos abiertos en octubre y explicó que sus estimaciones de cómputo excluían parte del trabajo necesario para ejecutar el servicio.
Entrenamiento y ventana de contexto
Ricursive dice que entrenó Ripple desde cero con 12 billones de tokens de texto, principalmente en inglés y código. La empresa afirma que admite una ventana de contexto de hasta un millón de tokens.
La ventana de contexto es una capacidad que define cuánta información puede tomar en cuenta el modelo durante una interacción. La capacidad disponible puede depender del servicio que lo aloje, así que esa cifra no garantiza por sí sola las mismas condiciones en cada implementación.
Cuánto cuesta ejecutar Ripple
Ejecutarlo por cuenta propia exige infraestructura. El repositorio de la versión BF16 en Hugging Face figura con un tamaño de 130 GB.
Ricursive ofrece además una versión experimental con menor precisión en parte del modelo y afirma que puede ejecutarse en un equipo Nvidia DGX Spark. La memoria necesaria para una instalación concreta depende de la versión y la configuración elegidas.
Para quien prefiera un servicio alojado, OpenRouter mostraba el 5 de noviembre una tarifa de GMI Cloud de 0.20 dólares por millón de tokens de entrada y 0.60 dólares por millón de tokens de salida. Los tokens son las unidades en que se divide el texto procesado o generado.
La tarifa de salida equivale a tres veces la de entrada por la misma cantidad de tokens. El gasto final depende de ambos volúmenes, no de una sola tarifa.
Los 32 millones de dólares anunciados por Ricursive corresponden a investigación y desarrollo, incluidos experimentos, datos sintéticos y el entrenamiento final. No son la tarifa que paga quien accede al modelo mediante una API. Los precios de OpenRouter describen el uso posterior del servicio.
El dato central no es que Ripple tenga menos parámetros totales que Beam, sino que su posición cambia con la prueba. Ricursive reporta una ventaja para Ripple en Terminal-Bench 2.1 y SWE-bench Pro v2.0 Hard, mientras que Beam queda arriba en SWE-bench Verified. Hasta que las configuraciones sean comparables y se aclare la diferencia entre 72.4 y 52.3 de Muse Spark Open, estas cifras funcionan como referencias específicas, no como un veredicto general sobre cuál modelo es mejor.
