Ricursive Intelligence, una startup de Palo Alto que usa inteligencia artificial para diseñar chips, publicó el 6 de noviembre Ripple-65B Preview, un modelo de lenguaje de 65,000 millones de parámetros con licencia Apache 2.0. Según la empresa, en Terminal-Bench 2.1, una prueba de tareas de programación en la terminal, saca 80.5, la mejor nota entre los modelos abiertos de EE. UU., por delante de modelos hasta 15 veces más grandes.
Ricursive la fundaron a fines de 2025 Anna Goldie y Azalia Mirhoseini, dos investigadoras que en Google crearon AlphaChip, el sistema de IA que acomoda los bloques dentro de los chips TPU de Google. En enero levantó $300 millones de USD con una valuación de $4,000 millones. Su negocio no es vender modelos de lenguaje, sino herramientas para que empresas como NVIDIA o AMD diseñen chips más rápido; Ripple-65B es una versión de propósito general del modelo propietario que usa su plataforma.
El modelo ya se puede descargar de Hugging Face y usar en Together AI, Fireworks, OpenRouter y GMI Cloud. La empresa lo llama «Preview» porque su posentrenamiento fue ligero y se concentró en programar con agentes; también advierte que las cifras de estas pruebas son difíciles de replicar y que sus comparaciones son su mejor intento.
Claves de Ripple-65B
- Denso, a contracorriente. Casi todos los modelos abiertos grandes de hoy son mixture-of-experts, que solo activan una parte de sus parámetros por token. Ripple-65B es denso: usa sus 65,000 millones siempre. Es más chico en total, pero cada respuesta hace más cuentas que un modelo como Inkling 2 Small, que activa 17,000 millones.
- Hecho desde cero. No parte de otro modelo: lo entrenaron con 12 billones de tokens de un conjunto de datos propio, con mucho más código del habitual, y en el posentrenamiento no usaron datos comprados, solo datos sintéticos generados por ellos.
- Barato para lo que logra. Todo el proyecto, con experimentos, errores y entrenamiento final, costó $32 millones de USD. Ricursive calcula que es una décima parte de lo que costó el anterior líder abierto en programación con agentes, y que llegó a su nota con 1.4 millones de intentos de entrenamiento por refuerzo, unas 70 veces menos que Reflection Beam.
- Un equipo diminuto. Según la ficha del modelo, el equipo que lo hizo pasó de una a cinco personas durante el proyecto.
- Más pruebas. La empresa reporta 76.5 % en SWE-bench Verified, 79.1 % en la parte difícil de SWE-bench Pro v2.0 y 98.3 en el examen de matemáticas AIME 2025. Acepta hasta 1,048,576 tokens de contexto.
- Para correrlo en casa, más o menos. Ricursive publica una versión en NVFP4, un formato de 4 bits, y dice que cabe en una NVIDIA DGX Spark, la computadora de escritorio de NVIDIA para IA. En dos GPU B200 genera unos 250 tokens por segundo con ocho peticiones a la vez.
Lo que demuestra un modelo de 65,000 millones
En octubre, Meta publicó Muse Spark Open, con 816,000 millones de parámetros, y la carrera de los modelos abiertos parecía una competencia de tamaño. Ripple-65B sugiere otra cosa: con datos bien escogidos y un entrenamiento eficiente, un modelo que cabe en una computadora de escritorio puede igualar en programación a otros que necesitan un centro de datos. Para quien quiere un asistente de código sin mandar su código a la nube, esa diferencia importa.
Hay que tomarlo con cautela. Todas las cifras son de Ricursive, comparadas con resultados que publicó cada empresa, y Terminal-Bench es una sola prueba: en otras, como DeepSWE, saca 44.3 %, lejos de los mejores. La propia empresa reconoce que es una vista previa con poco posentrenamiento.
Para Ricursive, Ripple es también una carta de presentación. Su objetivo declarado es cerrar el círculo entre los modelos y el hardware que los mueve: usar IA para diseñar los chips que entrenan la IA. Si un equipo de cinco personas pudo hacer esto con $32 millones, la pregunta ahora es qué hará cuando su modelo propietario, el que de verdad diseña chips, se ponga a trabajar.
Fuente: Ricursive Intelligence, «Ripple-65B Preview», 6 de noviembre de 2026; ficha del modelo en Hugging Face; TechCrunch.