Ripple 65B Preview lidera TerminalBench 2.1 entre modelos abertos dos EUA

A Ricursive apresentou o Ripple 65B Preview, um modelo aberto de 65 bilhões de parâmetros que, segundo a empresa, alcança a maior pontuação entre modelos abertos dos Estados Unidos no TerminalBench 2.1. O resultado foi noticiado pelo The Decoder em 6 de novembro de 2026, com base em informações da própria empresa.

O que é o Ripple 65B Preview

O Ripple 65B Preview é um modelo de linguagem aberto da Ricursive, com 65 bilhões de parâmetros e licença Apache 2.0. A proposta da empresa é oferecer um modelo aberto feito nos Estados Unidos, com foco em tarefas de programação e agentes. A licença Apache 2.0 permite uso comercial e modificações, o que torna o modelo interessante para equipes que querem evitar dependência de uma API fechada.

Segundo a notícia, o custo total de pesquisa e desenvolvimento foi de 32 milhões de dólares. Esse número importa porque coloca a Ricursive em uma disputa direta com laboratórios maiores, que gastam valores muito superiores em treinamento. Mesmo assim, o Ripple 65B Preview não tenta vencer todos os benchmarks. O foco declarado é desempenho em tarefas de terminal e programação, onde agentes precisam executar comandos, corrigir erros e concluir tarefas de várias etapas.

O modelo está disponível no Hugging Face, o que facilita testes locais e comparações com outros modelos abertos. Para quem programa com IA, isso significa mais uma opção de modelo aberto para rodar em infraestrutura própria, com controle sobre dados e custo.

O que diz o resultado no TerminalBench 2.1

O ponto principal do anúncio é o desempenho no TerminalBench 2.1, um benchmark que mede capacidade de agentes em tarefas de terminal. A empresa diz que o Ripple 65B Preview alcança a maior pontuação entre modelos abertos dos Estados Unidos nesse benchmark. O resultado é relevante porque terminal e linha de comando são cenários comuns para agentes de código, especialmente em fluxos de desenvolvimento, depuração e automação.

A notícia também informa que o Ripple usa dois harnesses diferentes nos testes: Terminus 2 em parte das execuções e OpenCode em outra parte. Isso importa porque o harness pode influenciar o resultado. Um modelo pode parecer melhor ou pior dependendo de como o agente é executado, quais ferramentas estão disponíveis e como o prompt é montado. Por isso, a pontuação deve ser lida como resultado de um conjunto específico de condições, não como prova absoluta de superioridade.

O TerminalBench 2.1 mede tarefas práticas, mas não cobre todos os usos. Ele não avalia, por exemplo, qualidade de resposta em conversa, segurança, raciocínio multimodal ou custo por token. Um modelo pode liderar esse benchmark e ainda assim não ser a melhor escolha para o seu projeto.

Como ele se compara ao Inkling 2 Small

O mesmo artigo coloca o Ripple 65B Preview em comparação com o Inkling 2 Small, outro modelo aberto recém lançado. Segundo a notícia, o Ripple fica atrás do Inkling 2 Small em outros benchmarks. Isso cria um cenário comum no mercado atual: um modelo vence em uma tarefa específica, enquanto outro vence em tarefas mais amplas.

Na prática, a escolha entre os dois depende do trabalho. Se o foco é automação de terminal, execução de comandos e conclusão de tarefas de desenvolvimento, o Ripple pode ser uma opção forte. Se o foco é desempenho geral em benchmarks mais amplos, o Inkling 2 Small parece levar vantagem segundo os números divulgados.

Esse tipo de comparação também mostra por que um único benchmark não deve decidir a adoção de um modelo. O ideal é testar no próprio repositório, com as tarefas reais da equipe, e medir tempo, custo e taxa de sucesso. Para quem usa agentes de código, vale comparar também latência, consumo de tokens e estabilidade em tarefas longas.

O que ainda falta confirmar

Os números do Ripple 65B Preview vêm da empresa, não de um laboratório independente. Isso não invalida o resultado, mas exige cautela. Antes de adotar o modelo, vale confirmar a pontuação em fontes independentes, a versão exata do modelo testado e as configurações do harness.

Também é importante observar que o resultado citado é entre modelos abertos dos Estados Unidos, não entre todos os modelos do mundo. Modelos fechados e modelos abertos de outros países podem ter pontuações diferentes. A frase do anúncio é específica e não deve ser lida como liderança geral.

Outro ponto é a maturidade do modelo. Um preview pode mudar rapidamente. Licença, pesos e documentação podem ser atualizados. Antes de colocar em produção, verifique a versão no Hugging Face, a data da última atualização e os requisitos de hardware.

Para ampliar a comparação com outros benchmarks recentes, veja VIALS AA benchmark de raciocínio sobre imagens científicas e OpenAI apresenta BioBasicBench teste de biologia com IA.