Интересна здесь не только модель, но и кто её сделал. Ricursive Intelligence занимается проектированием чипов с помощью ИИ, то есть для компании языковая модель — инструмент, а не основной продукт. Тем показательнее, что она обучила конкурентную открытую модель и оценивает полный цикл разработки и обучения в $32 млн.
Что известно
- Плотный трансформер на 65 млрд параметров — без mixture-of-experts, что упрощает развёртывание на своём железе.
- Обучение на 12 трлн токенов, оптимизация под GPU Nvidia.
- Лицензия Apache 2.0, веса на Hugging Face.
- В качестве обвязки используются Terminus 2 и частично OpenCode.
TerminalBench 2.1 — 80,52 балла, лучший результат среди открытых американских моделей. Но с Inkling 2 Small от Thinking Machines сравнение не в пользу Ripple: SWE-Bench Pro v2.0 Hard — 79,1% против 86,3%, DeepSWE v1.1 — 44,3% против 72,1%, MCP Atlas — 71,67% против 85,4%.
Как это читать
Во-первых, «лучший среди открытых американских» — это не «лучший открытый». Китайские модели в этих же тестах выше, о чём сами авторы сравнений говорят прямо.
Во-вторых, $32 млн на полный цикл — важная цифра для рынка: она показывает, что конкурентоспособную модель среднего размера можно сделать за сумму, которая для крупной компании выглядит как эксперимент.
В-третьих, плотная архитектура означает предсказуемые требования к памяти: 65 млрд параметров проще разместить, чем MoE на сотни миллиардов с активными экспертами. Для команд, которые хотят держать модель у себя, это практический плюс, даже если по бенчмаркам она уступает лидерам.
What is interesting here is not only the model but who built it. Ricursive Intelligence works on AI-driven chip design, so for the company a language model is a tool, not the main product. That makes it more notable that it trained a competitive open model and puts the full development and training cycle at $32 million.
What is known
- A dense 65-billion-parameter transformer — no mixture-of-experts, which simplifies deployment on your own hardware.
- Trained on 12 trillion tokens, optimised for Nvidia GPUs.
- Apache 2.0 licence, weights on Hugging Face.
- Terminus 2 and partly OpenCode are used as the harness.
TerminalBench 2.1 comes in at 80.52, the best result among open US models. Against Thinking Machines’ Inkling 2 Small, however, the comparison goes the other way: SWE-Bench Pro v2.0 Hard 79.1% versus 86.3%, DeepSWE v1.1 44.3% versus 72.1%, MCP Atlas 71.67% versus 85.4%.
How to read it
First, “best among open US models” is not “best open”. Chinese models score higher on the same tests, as the comparisons themselves state plainly.
Second, $32m for the full cycle is a meaningful number for the market: it shows that a competitive mid-sized model can be built for a sum that looks like an experiment to a large company.
Third, a dense architecture means predictable memory requirements: 65 billion parameters are easier to host than a mixture-of-experts with hundreds of billions and active experts. For teams that want to keep the model in-house, that is a practical advantage even if benchmarks trail the leaders.