知Yizhi Daily
← Volver a esta edición

IA

Se publica Ripple-65B Preview, centrado en la programación de agentes de bajo coste

Edición 2026-11-05 · 08:00 Hora de Pekín

Ricursive Intelligence lanzó el modelo de pesos abiertos Ripple-65B Preview. El modelo se entrenó desde cero, utilizó 12 billones de tokens en el preentrenamiento, admite un contexto de 1 millón y obtuvo 80,52 puntos en TerminalBench 2.1. La compañía afirma que su coste total de desarrollo fue de 32 millones de dólares y que completó el salto del aprendizaje por refuerzo con solo 1,4 millones de rollouts.

El artículo de publicación en Hacker News describe a Ricursive Intelligence como un laboratorio de IA de pila completa que optimiza de forma conjunta hardware, software y modelos para construir sistemas de mejora automática. Para respaldar su plataforma de diseño de chips, la compañía entrenó un modelo de lenguaje desde cero y publicó una versión de uso general, Ripple-65B Preview.

El modelo utilizó un volumen de datos de preentrenamiento de 12 billones de tokens y admite un contexto máximo de 1 millón. El artículo afirma que Ripple-65B Preview obtuvo 80,52 puntos en TerminalBench 2.1, estableciendo un nuevo récord entre los modelos de pesos abiertos de Estados Unidos en programación de agentes y superando a modelos más grandes como Reflection Beam 501B, Meta Muse Spark Open 816B, Thinking Machines Inkling 975B y NVIDIA Nemotron 3 Ultra 550B.

La compañía destacó la eficiencia de costes y afirmó que el coste completo de desarrollo desde cero fue de 32 millones de dólares, lo que incluye el desarrollo por etapas del preentrenamiento, la mezcla de datos, la evaluación, la depuración, los datos sintéticos, el esquema de postentrenamiento y las ejecuciones finales de preentrenamiento y postentrenamiento; según su conocimiento, esto equivale aproximadamente a una décima parte del coste del anterior estado del arte de pesos abiertos.

En cuanto al método de entrenamiento, el equipo no compró datos de postentrenamiento, sino que construyó sus propios canales de datos sintéticos, filtros de calidad y métricas de cobertura, y adoptó un esquema mixto de aprendizaje por refuerzo con muestreo por importancia truncado, centrado de puntuaciones y penalización lineal por longitud. El artículo afirma que el modelo partió de un punto de control SFT sólido y alcanzó 80,5 puntos con solo unos 1,4 millones de rollouts, aproximadamente 70 veces menos que el anterior estado del arte Reflection Beam. El modelo utiliza una arquitectura Transformer densa moderna optimizada para entrenamiento y servicio en hardware NVIDIA, ya está disponible en Hugging Face, Together AI, GMI Cloud y OpenRouter, y posteriormente se incorporará a Fireworks.

Fuentes originales

Hacker News ↗
Volver a esta ediciónAbrir lector interactivo