JOURNAL / 2026.11.05
Ripple-65B publica pesos abiertos: qué aporta un modelo denso para agentes
Ricursive presenta un modelo de programación de 65.000 millones de parámetros, con versiones base y ajustada. Su interés está en ampliar las opciones de ejecución y experimentación; el tamaño y una puntuación de terminal no bastan para demostrar ahorro.
Ricursive Intelligence ha publicado Ripple-65B Preview, una variante de propósito general del modelo interno que utiliza en su plataforma de diseño de chips. Es un Transformer denso entrenado desde cero, con el trabajo posterior centrado en agentes de programación. El equipo explica que eligió esa arquitectura para reducir la complejidad del entrenamiento y del servicio. Me parece una contribución relevante porque ofrece otra forma de construir y adaptar agentes sin depender únicamente de modelos enormes de mezcla de expertos.
La licencia publicada es Apache 2.0. El paquete incluye pesos ajustados para instrucciones y un modelo base. Eso amplía las posibilidades de modificación y despliegue, aunque publicar pesos no equivale a entregar todo lo necesario para repetir el entrenamiento. Para un laboratorio, poder conservar una versión y estudiar sus cambios tiene valor incluso si nunca encabeza una clasificación.
Conviene precisar qué significa aquí «más pequeño». Un modelo de mezcla de expertos puede almacenar muchos más parámetros y activar sólo una parte para cada token. Ripple es denso: reducir el total de pesos no demuestra que realice menos cómputo por token que esos competidores. La memoria necesaria para guardar el modelo, el trabajo de generar y la velocidad de una conversación son propiedades relacionadas, pero distintas. Compararlas mediante una sola cifra de tamaño puede llevar a comprar el equipo equivocado.
La versión local cambia la pregunta
La variante NVFP4 está marcada como experimental. Cuantiza las capas MLP y conserva la atención en BF16. Por tanto, calcular su memoria como si todos los pesos ocuparan cuatro bits produciría una estimación engañosa. Además de pesos, ejecutar un agente necesita memoria para el contexto y recursos para sus herramientas. Que un modelo quepa es el comienzo de la evaluación: falta saber cuánto tarda en completar el trabajo y qué pierde la versión cuantizada.
También existe una vía alojada: OpenRouter lo lista desde el 4 de noviembre, con llamadas a herramientas y un contexto de aproximadamente un millón de tokens. Esa ficha confirma una oferta documentada, sin validar sus resultados. Una integración por API permite explorar el comportamiento antes de preparar ejecución propia; después habría que comprobar que la versión local conserva la calidad y los límites que importan al proyecto.
La tarjeta del modelo declara un 80,5 en Terminal-Bench 2.1, frente al 80,1 publicado para Reflection Beam. Son cifras del desarrollador: combina resultados oficiales con evaluaciones propias y advierte que cambiar el agente de evaluación altera las puntuaciones. No leería esas décimas como una superioridad estable. Los resultados se presentan en BF16 y al máximo esfuerzo; tampoco prueban el rendimiento de NVFP4.
Terminal-Bench mide resolución de tareas en un entorno de terminal. Sus autores corrigieron 28 tareas al pasar a la versión 2.1, por dependencias externas, recursos o desajustes entre instrucciones y pruebas. Ese antecedente importa: hasta una comprobación ejecutable necesita mantenimiento. El examen aporta evidencia sobre un tipo de trabajo, sin demostrar que el agente pueda mantener cualquier repositorio o trabajar sin supervisión.
Hay otro artefacto que merece atención: Ripple-65B Base Preview, el punto de control anterior a las etapas posteriores al preentrenamiento. Permite plantear experimentos sobre adaptación conservando un punto de partida común. Compararlo con la versión ajustada mostraría el efecto conjunto de varias etapas; atribuir una mejora exclusivamente al aprendizaje por refuerzo exigiría más puntos intermedios o experimentos controlados.
Mi lectura es favorable a esa posibilidad de investigar. Preferiría ver qué adaptaciones útiles consigue una comunidad con estos artefactos antes que convertir una ventaja estrecha en terminal en una proclamación general. Para un equipo con restricciones de memoria o de acceso a servicios, Ripple abre una opción concreta que estudiar. La decisión de adoptarlo dependerá de la calidad, el tiempo y el coste de su trabajo completo. Los pesos hacen posible formular esa comparación por cuenta propia.
Fuentes primarias consultadas el 5 de noviembre de 2026. No hemos ejecutado Ripple ni reproducido sus evaluaciones. Las consecuencias y propuestas experimentales son análisis propio.