← Voltar ao blog
Aicerca de 7 min de leitura

Um modelo denso de 65B vence rivais até oito vezes maiores. A conta é a verdadeira notícia

Publicado 11 de nov. de 2026
Um modelo denso de 65B vence rivais até oito vezes maiores. A conta é a verdadeira notícia

A Ricursive Intelligence lançou o Ripple-65B Preview em 4 de novembro, com pesos no Hugging Face sob Apache 2.0. A empresa reporta 80,52 no Terminal-Bench 2.1, um teste de agente trabalhando dentro de um terminal. Na tabela comparativa da própria empresa, isso supera por pouco o Beam 501B da Reflection, com 80,1, o Muse Spark Open 816B da Meta, com 76,4, o Inkling de 975B da Thinking Machines, com 63,8, e o Nemotron 3 Ultra 550B da NVIDIA, com 56,4.

Um modelo de 65B no topo de uma tabela cheia de modelos de 500B ou mais é a manchete. A linha logo abaixo é mais interessante: a Ricursive diz que tudo custou US$ 32 milhões, do começo ao fim, e que isso é cerca de um décimo do que gastou o recordista anterior.

Denso, de propósito

O Ripple é um Transformer denso com 64,8 bilhões de parâmetros. Cada parâmetro roda em cada token. Isso é incomum em um ano em que a resposta padrão para escala é a mistura de especialistas, que ativa uma fatia dos pesos por token, e é a decisão que torna o resto da história possível.

Um modelo denso exige menos da infraestrutura. Não há roteador para balancear, nem paralelismo de especialistas para fragmentar, nem padrão de comunicação all-to-all para ajustar. A Ricursive diz que treinou com 40% de utilização de hardware sem kernels personalizados, partindo de uma base Olmo 3 em vez de uma folha em branco. A arquitetura é fina e profunda: largura de 5120 e 80 camadas, com cabeças de atenção superdimensionadas, atenção com gate e resíduos de valor adicionados para ajudar o raciocínio.

O enquadramento da empresa é que adaptar o modelo e as receitas de treino ao hardware comprou eficiência equivalente a treinar com 16 vezes mais GPUs. A Ricursive faz ferramentas de projeto de chips, então alegações de co-design vindas dela merecem uma sobrancelha levantada. A parte mensurável é o número de utilização e a ausência de kernels personalizados, ambos verificáveis contra a receita de treino por quem tiver apetite.

A janela de contexto é de 1.048.576 tokens, o pré-treinamento usou 12 trilhões de tokens de texto majoritariamente em inglês e código, e o lançamento inclui um checkpoint BF16 ajustado por instrução, um checkpoint NVFP4 de quatro bits e um modelo base.

O que os US$ 32 milhões cobrem

O post de lançamento é explícito: os US$ 32 milhões incluem experimentos de pré-treinamento, dados, avaliações, depuração e as execuções finais. É sobre esse número que as pessoas deveriam discutir, porque custo total do programa e custo do último treino são confundidos o tempo todo.

A Ricursive diz que a equipe cresceu de uma para cinco pessoas durante o desenvolvimento. Não comprou dados de pós-treinamento e construiu seus próprios pipelines sintéticos. Reporta 1,4 milhão de rollouts para chegar à nota no Terminal-Bench, cerca de 70 vezes menos do que o Beam da Reflection precisou. Menos rollouts é o tipo de economia que aparece na fatura e no calendário.

Se os números se sustentam, a implicação é desconfortável para quem apoia a estratégia em capital como fosso. Uma equipe de cinco pessoas, sem kernels personalizados, um modelo denso e um décimo do orçamento produzindo recorde em um benchmark. A objeção é que um único benchmark é alvo estreito e que a mesma equipe precisaria de muito mais que US$ 32 milhões para ser competitiva em tudo.

O que nos leva ao resto da tabela.

Onde o Ripple perde

O model card é franco, e é aí que ele conquista alguma confiança. No SWE-bench Verified, o Ripple marca 76,5 contra 81,6 do Reflection Beam. No SciCode, 39,4 contra 58,5 do Muse Spark Open. No MCP Atlas, um teste de uso de ferramentas, 71,67 contra 89,2. No DeepSWE 1.1, 44,3 contra 60,0.

O padrão é um modelo excelente em conduzir um terminal e mediano em código científico e orquestração de ferramentas, comparado aos maiores concorrentes abertos. O MMLU fica em 89,6 e o AIME 2024 em 97,1, ambos um pouco atrás dos maiores modelos, o que era de esperar de um 65B contra um 816B.

O card também admite algo que a maioria dos cards omite: replicar notas de benchmarks agênticos é difícil, e algumas células da tabela usam execuções da própria Ricursive quando o outro laboratório não havia publicado número. Ele observa que as notas do Terminal-Bench saíram mais baixas para quase todos os modelos quando rodadas com o harness oficial Terminus 2 e comprimento de sequência de 128K. Leia essa frase duas vezes. Significa que a tabela é internamente consistente e não necessariamente portátil.

O recorde também pode ter durado cerca de uma semana. A Thinking Machines lançou o Inkling 2 Small em 5 de novembro, e o model card dele, segundo relatos, coloca o Terminal-Bench 2.1 em 81,3% no mesmo harness Terminus. Os pesos ficaram fechados no lançamento, então não conta como recorde de pesos abertos, e o laboratório disse que os pesos Apache 2.0 viriam depois dos testes externos de segurança.

A promessa local, destrinchada

A Ricursive diz que o Ripple cabe em um NVIDIA DGX Spark e até em um MacBook. Nenhum dos posts diz quanta memória isso exige, e os arquivos em precisão total no Hugging Face somam cerca de 130 GB, bem além de um laptop.

O que torna o uso local plausível é o trabalho de quantização. O repositório traz um checkpoint NVFP4 e um notebook Colab, e a página no Hugging Face já lista cerca de 30 versões quantizadas. Com dois B200 e batch size 8, o modelo gera 250 tokens por segundo antes de quantização ou ajuste de kernel, um número razoável para um denso de 65B.

O apelo para um escritório de advocacia ou uma clínica é óbvio: prompts e código nunca saem da rede, e o Apache 2.0 permite uso comercial sem pagar licença à Ricursive. A pegadinha é que se trata de um Preview com pós-treinamento leve voltado a programação, e o repositório traz código personalizado em `modeling_ricursive.py`, o que significa carregamento no estilo trust-remote-code. Uma equipe de plataforma deveria ler esse arquivo antes de rodá-lo em qualquer lugar que importe.

Por que uma empresa de chips lança um modelo

O negócio da Ricursive é ferramental de projeto de chips, e o Ripple é a versão de propósito geral do modelo por trás da plataforma. O argumento da empresa é que arquitetura de modelo e arquitetura de chip precisam ser projetadas juntas, e lançar um modelo aberto é uma forma de provar a tese em público.

A motivação é diferente da dos laboratórios de fronteira, e isso muda o que esperar. A Ricursive não precisa ganhar em amplitude. Precisa mostrar que um modelo pequeno, bem casado com o hardware certo, faz trabalho agêntico sério, porque é isso que ela vende a clientes que não podem comprar um data center.

Se o recorde sobrevive ao escrutínio importa menos do que se a receita sobrevive. Um denso de 65B treinado por US$ 32 milhões, rodando em uma máquina de mesa, sob licença permissiva, é uma proposta específica e testável. Se ela se sustenta, a pergunta interessante deixa de ser quem tem o maior modelo e passa a ser quem pode continuar fingindo que tamanho é o único eixo.

Artigos relacionados