Aller au contenu
La Lettre IT
Retour aux synthèses
4 min de lecture
IA & modèles

Ripple-65B : un modèle open-weight pour le codage agentic à coût réduit

En bref

  • Ricursive Intelligence lance Ripple-65B Preview, un modèle dense de 65 milliards de paramètres entraîné en 12 trillions de tokens et optimisé pour le codage agentic.
  • Le modèle atteint 80,52 sur TerminalBench 2.1, surpassant des modèles open-weight plus larges, pour un coût d'entraînement estimé à 32 millions de dollars.
  • L'architecture dense (sans Mixture-of-Experts) a été conçue pour fonctionner efficacement sur le matériel NVIDIA tout en générant des tokens avec peu de latence.
  • Le modèle est disponible sur Hugging Face et plusieurs plateformes d'inférence (Together AI, OpenRouter, etc.) et supporte jusqu'à 1 million de tokens de contexte.

Ce que dit la source

Ricursive Intelligence affirme avoir développé un modèle open-weight compétitif sur le codage agentic pour une fraction du coût de formation habituel de la frontière : 32 millions de dollars contre un coût estimé de 300+ millions pour les précédents SOTA open-weight. L'entreprise positionne ce modèle comme un variant généraliste d'une architecture propriétaire qu'elle utilise en interne pour l'automatisation de la conception de circuits intégrés. La thèse centrale est qu'une co-optimisation entre architecture, données et infra peut réduire drastiquement les coûts sans sacrifier la performance.

  • Le score sur TerminalBench 2.1 (80,52) dépasse des modèles comme Reflection Beam 501B (80,1) et Muse Spark Open 816B (76,4), malgré une taille 8 à 13 fois inférieure.
  • Architecture dense Transformer (80 couches, 65B paramètres) plutôt que Mixture-of-Experts, optimisée pour réduire la complexité d'entraînement et de déploiement sur GPU NVIDIA avec un MFU de 40%.
  • Entraînement itératif des recettes de renforcement (RL) utilisant données synthétiques internes et sélection qualitative, atteignant TerminalBench en seulement 1,4 million de rollouts (70 fois moins que Reflection Beam).
  • Coût d'entraînement total de 32 millions de dollars couvrant R&D complet (prétrainement, posttrainement, données synthétiques, évals) plutôt que 300+ millions estimés pour le SOTA précédent.
  • Contexte jusqu'à 1 million de tokens ; architecture fine utilisant pre+post norm, attention clippée FFN, attention gated, global NoPE et value residuals.
  • Laddering itératif des modèles à petite échelle (4B à 65B) a permis d'améliorer l'efficacité calculatoire sur code de 16x mesurée par dolma_stack CE à l'échelle 4B.

Dans les commentaires

Débat partagé : reconnaissance de la compétitivité du modèle sur agentic coding, mais critiques récurrentes sur le choix limité des benchmarks (TerminalBench 2.1 jugé ancien, SWE-bench discrédité) et absence de comparaison directe contre les vrais leaders open-weight du moment (Qwen 3.8, DeepSeek). Plusieurs commentateurs remettent en cause l'utilité pratique pour les utilisateurs locaux (65B dense est trop lourd pour hardware grand public) et signalent des écarts importants entre la performance affichée et le test terrain sur appels d'outils.

  • Plusieurs commentaires critiquent le périmètre de benchmarking : Qwen 3.8 Flash Next marque 84,3 sur le même test, et l'absence de comparaison directe contre des MoE contemporains rend difficile d'évaluer la valeur réelle du modèle.
  • La chart de comparaison est jugée trompeuse car elle mélange des modèles denses et des MoE sans ajustement pour les paramètres activés, ce qui fausse l'interprétation de l'efficacité.
  • Des tests terrain montrent des taux d'échec élevés sur appels d'outils (4 sur 8 outils échouent selon un utilisateur sur le service GMI Cloud), contredisant la promesse de performance agentic.
  • Un commentateur note une incohérence : Ricursive a annoncé une mission d'automatisation EDA/chip design, mais libère un modèle généraliste et le benchmarke sur des tâches de codage standard, pas sur son cas d'usage réel.
  • Plusieurs soulignent que l'architecture dense sans Mixture-of-Experts la rend impraticable pour les amateurs et clusters locaux, contrairement aux modèles Qwen 27B ou 32B qui dominent ce segment.
  • Un commentaire valide le choix architectural (optimisation NVIDIA) mais conteste l'absence de benchmark peer-review : les benchmark internes du fondateur ne suffisent pas sans validation externe.

Alternatives citées : Qwen 3.8 Flash Next (84,3 sur TerminalBench), Qwen 3.8 27B (73,0), Reflection Beam 501B (80,1), Muse Spark Open 816B (76,4), DeepSeek, Nemotron 3 Ultra 550B.

Notre lecture

Ripple-65B Preview est techniquement intéressant comme exemple de co-optimisation hardware/software et de réduction des coûts d'entraînement, 32 millions de dollars pour atteindre la frontier open-weight est un résultat à noter, si le chiffre se confirme. Cependant, sa valeur marchande reste floue. Le modèle est trop lourd pour les utilisateurs locaux, et ses cas d'usage semblent limités à des environnements air-gapped ou à la conformité géopolitique (juridiction US). Les benchmarks affichés sont mal choisis (TerminalBench 2.1 est ancien, comparaison biaisée contre MoE) et les échos terrain sur la fiabilité des appels d'outils suggèrent que la performance réelle en production est bien en retrait. Ricursive devrait clarifier le lien entre ce variant généraliste et sa mission EDA interne, et soumettre à des évaluations tiers. Pour une DSI, ce n'est probablement pas un standard à adopter à court terme : attendre des benchmarks indépendants et des retours terrain plus riches.

Le brief, dans votre boîte mail

Recevez chaque jour la sélection et l'analyse La Lettre IT, sans avoir à repasser sur le site.