Ripple-65B Preview

Sources vérifiées le 6 novembre 2026. Affirmations de l’éditeur et essais tiers sont distingués ; pas de benchmark AIDreamHub exécuté.

Un modèle et non un agent complet

Ce Transformer dense 65B est post-entraîné pour le code agentique. La publication comprend BF16 instruct, NVFP4 et une base distincte. Le dépôt BF16 lié ne se confond pas avec une quantification ou un endpoint hébergé.

Outils, état du dépôt, permissions, exécution et tests restent à fournir. Une note ne crée pas un shell sûr ni un PR juste. Évaluez le modèle à l’intérieur d’un flux concret.

Page officielle capturée par AIDreamHub, pas une exécution locale du produit.

Lire les scores avec leur dispositif

L’éditeur annonce environ 80,5 sur Terminal-Bench 2.1 et 76,5 sur SWE-bench Verified. Il précise mélanger valeurs officielles et internes et souligne l’effet du harness. Ce n’est pas un classement universel de tous les agents.

La fiche actuelle indique 1Mi, soit 1 048 576 tokens. Une longueur maximale ne garantit ni économie ni précision. Testez recherche et troncature à longueur réelle avant d’envoyer tout un dépôt.

Mode d’emploi : choisir la voie

Un pilote hébergé sépare évaluation et travail de serving. GMI documente l’accès compatible OpenAI ci-dessous avec clé d’environnement. Vérifiez traitement des données et autorisation avant tout code privé.

Localement, choisissez BF16 ou NVFP4 et les instructions compatibles; inspectez le code spécifique, fixez révisions et commencez court. Conservez traces d’outils, tests et ressources. Nous n’avons pas exécuté l’inférence ni reproduit les scores.

curl https://api.gmi-serving.com/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $GMI_API_KEY" --data '{"model":"gmicloud/Ripple-65B-Preview","messages":[{"role":"user","content":"Explain the failing test before proposing a patch."}],"max_tokens":800}'

Tirer une méthode du rapport fournisseur

GMI décrit petits dépôts à réparer et incident simulé avec pièges et validation humaine. Il inclut un essai unique de 100 agents et de plus petits essais répétés. Mesures sur son service ne prouvent pas équivalence locale ou fiabilité de toute production.

Le principe utile est de noter avec des tests externes, sans poids pour le résumé de réussite du modèle. L’autorisation était imposée par les outils. Quelques essais d’injection ne prouvent pas une immunité : droits et vérification doivent rester hors modèle.

Calculer avant de télécharger

65 milliards de paramètres à deux octets donnent environ 130 GB de poids; quatre bits idéaux environ 32,5 GB. Il s’agit d’arithmétique décimale illustrative, pas de besoins mesurés. Métadonnées, activations, buffers et contexte s’ajoutent.

Un exemple DGX Spark ne promet pas tous les portables. Consignez taille d’entrée, concurrence, quantification, premier token et coût par tâche acceptée ensemble. Le long contexte peut changer le facteur limitant.

Détecter une réussite seulement racontée

Fixez un test en échec dans un dépôt jetable. Exigez patch, résultats réels et diff. Ajoutez tâche sans changement, retour invalide et action refusée. Séparez narration et état constaté; une mutation de production demande une approbation correspondante.

Comparez mêmes outils, tâches et budgets à votre modèle actuel; les scripts restent candidats pour le déterministe. Comptez reprises et patchs rejetés. Du code rapide peut coûter cher si les humains le réparent constamment.

Licence et décision de déploiement

La publication affiche Apache-2.0. Hébergement, intégrations et droits du code restent distincts. Tarifs et limites changent : un prix de lancement ne constitue pas une promesse à long terme.

Déterminez d’abord si le modèle augmente les tâches acceptées dans votre boucle actuelle, puis examinez matériel et maintenance locale. Le dessin explique la capacité, sans graphique de performance ni résultat modèle.

Questions avant adoption

Quatre bits tient-il sur GPU 32 GB ?

Les seuls poids idéaux représentent déjà environ 32,5 GB avant suppléments. Ce n’est pas une garantie : mesurez le runtime réel avec marge.

Les scores prouvent-ils le meilleur agent ?

Modèle et harness sont distincts; l’éditeur reconnaît les limites. Utilisez vos dépôts et budgets plutôt que généraliser un classement.

Un appel réussi remplace-t-il tests et autorisation ?

Non. L’exécuteur impose droits, arguments et contrôle de l’état réel. Les démonstrations respectant l’approbation avaient une vraie barrière d’outils.

Sources consultées

• Ricursive Intelligence — model card
• Ricursive Intelligence — launch and evaluation conditions
• GMI Cloud — provider field tests

Explorer les outils associés

• Outils de code
• Modèles de texte