Ricursive Intelligence 发布开放权重模型 Ripple-65B Preview。这款 650 亿参数稠密模型，是其 AI 芯片设计平台所用专有模型的通用版本。发布方称，模型在智能体编程测试 TerminalBench 2.1 上取得美国开放权重模型中的最佳成绩，从零开发和训练的全部研发成本为 3200 万美元；性能与成本数据均来自发布方披露。
据 Ricursive 介绍，Ripple-65B Preview 使用 12 万亿 token 进行预训练，支持最长 100 万 token 的上下文。
在发布方自测中，模型的 TerminalBench 2.1 得分为 80.52，高于 Reflection Beam 501B 的 80.1 分、Meta Muse Spark Open 816B 的 76.4 分、Thinking Machines Inkling 975B 的 63.8 分，以及 NVIDIA Nemotron 3 Ultra 550B 的 56.4 分。官方将这一成绩表述为美国开放权重模型在该项测试中的新高。
Ricursive 表示，3200 万美元并非仅指最终训练费用，而是包含预训练阶梯实验、数据配比、评测、调试、合成数据生成、后训练配方开发，以及最终预训练和后训练运行的全部研发成本。
按该公司自己的估算，这约为此前智能体编程领域最佳开放权重模型成本的十分之一。
强化学习阶段，Ricursive 称模型仅用约 140 万次 rollout 就达到 TerminalBench 2.1 的 80.5 分，次数约为此前最佳模型 Reflection Beam 的七十分之一。公司没有购买后训练数据，而是自行建立合成数据管线、质量过滤与覆盖度指标，并随着模型能力提升持续加入更难的任务。
架构上，Ricursive 选择了稠密 Transformer，而非混合专家（MoE）。官方称，这一选择旨在降低预训练和后训练基础设施的复杂度，同时保持推理与智能体能力。
模型采用「窄而深」的设计，隐藏维度（d_model）为 5120，共 80 层，并加入门控注意力、全局 NoPE 和值残差等设计。发布方称，在没有自定义内核和量化、仅采用简单分片的情况下，预训练和后训练全程的模型 FLOPs 利用率（MFU）约为 40%。
根据发布公告，模型已在 Hugging Face、Together AI、GMI Cloud 和 OpenRouter 提供，Fireworks 计划于公告发布当天稍晚上线。Ricursive 还称，模型较小的参数规模使其能够在 NVIDIA DGX Spark 等本地设备上高效运行。
