@ricursiveai · Nous lançons aujourd'hui Ripple-65B Preview, notre LLM dense de 65B que nous avons préentraîné de zéro. Ripple établit un nouvel état de l'art parmi les modèles américains à poids ouverts pour les tâches de codage agentique, dépassant largement des modèles beaucoup plus grands, notamment Muse Spark Open-816B, Beam-501B, Inkling-975B et Nemotron 3 Ultra-550B. Lisez...
@teortaxestex · 1) quoi 2) 65B dense ? 3) « 16 fois plus efficace en calcul » ? 3) « un budget de calcul de seulement 32 M$ ? » 4) Mais il fait en réalité moins bien que V4 Flash 284B ? Qu'est-ce qui se passe ici [image] [publication citée]
@swyx · > nous avons développé et entraîné Ripple-65B Preview pour seulement 32 M$, soit un dixième du coût du précédent SOTA à poids ouverts pour le codage agentique¹ c'est comme les Avengers du SOTA des modèles ouverts ¹
Finbarr / @finbarrtimbers · pour le récent classement Ripple ( https://www.ricursive.com/... c'est fascinant de voir à quel point les données comptent par rapport à l'architecture. Ripple 1.6 et Olmo3 utilisent le même jeu de données, mais une nouvelle architecture (amélioration de 3 fois), tandis que Ripple final et 1.6 ont la même architecture, mais un nouveau jeu de données (amélioration de 4 fois).
Elie / @eliebakouch · très belle sortie de modèle à poids ouverts de ricursive, avec un modèle dense moderne ; les scores aux benchmarks ont l'air très solides ! magnifique échelle de modèles, des choix intéressants comme le value residual (un schéma de contribution intéressant 👀) et.. ENCORE DE LA SLIDING WINDOW ATTENTION ! https://www.ricursive.com/ripple
Albert Gu / @_albertgu · nouveau modèle à poids ouverts venu d’un outsider [publication citée]
Azalia Mirhoseini / @azaliamirh · Très enthousiaste à l'idée de lancer Ripple-65B Preview, un nouveau modèle américain à poids ouverts à l'état de l'art pour le codage agentique ! Vous pouvez faire tourner Ripple-65B en local et efficacement sur un MacBook Pro ou un DGX Spark ! Essayez-le : HuggingFace : https://huggingface.co/... Together AI : https://www.together.ai/... GMI Cloud : https...
Hermann Kumbong / @kumbonghermann · Très optimiste pour @RicursiveAI ! ! Nouveau SOTA américain à poids ouverts pour le codage agentique.
Mark Kretschmann / @mark_k · Un nouveau modèle d’IA américain à poids ouverts est là ! 🇺🇸🔥 Ricursive Intelligence vient de lancer Ripple-65B Preview, un modèle de 65 milliards de paramètres étonnamment puissant, entraîné de zéro sur 12 000 milliards de tokens, avec une fenêtre de contexte pouvant atteindre 1 million de tokens ! Malgré sa taille relativement réduite, Ripple affiche...
Ebrahim Songhori / @esonghori2 · Une leçon à retenir de ce lancement : allez aussi loin que possible avec le SFT avant de vous appuyer sur le RL, qui coûte cher. Le RL reste la cerise sur le gâteau, comme l’a dit un jour @ylecun.
@ricursiveai · Notre stack interne de post-entraînement et nos pipelines de données synthétiques ont permis une progression efficace des performances agentiques grâce à un RL mixte. Nous avons atteint 80,5 sur TB2.1 avec seulement 1,4 million de rollouts, soit environ 70 fois moins que Reflection Beam, le précédent SOTA.
@llmjunky · Oh waouh ! Un modèle dense de 65B en tête de plusieurs benchmarks clés sur les modèles à poids ouverts ? Parfait pour une seule RTX 6000. J’ai hâte de l’essayer.
Mia / @miaai_lab · Modèle dense de 65B ! ! 🤯 Je vais l’essayer sur la PRO 6000.
@nvidiartxspark · Félicitations à @RicursiveAI pour Ripple-65B Preview, leur premier modèle ouvert 🎉 Il a été entraîné sur des GPU NVIDIA B300 et peaufiné avec des jeux de données ouverts de post-entraînement NVIDIA Nemotron. Téléchargez le checkpoint NVFP4 sur Hugging Face et exécutez-le en local sur DGX Spark 👉 https://huggingface.co/...
@ricursiveai · Ripple-65B Preview a été entraîné sur 12 000 milliards de tokens, prend en charge une fenêtre de contexte allant jusqu’à 1 M de tokens et obtient : - 80,5 % sur TerminalBench 2.1 - 79,1 % sur SWE-Bench Pro v2.0-Hard - 44,3 % sur DeepSWE v1.1 Le tout en tenant en local sur un MacBook ou un DGX Spark.
@dzhang50 · on vient de lancer notre premier modèle, j’espère qu’il vous plaira ! muse qui ? 🏎️💨
Ethan Boneh / @ethanboneh · J’ai pris énormément de plaisir à entraîner ce modèle. En bref, quelques enseignements auxquels on ne s’attend pas forcément : - Les modèles denses peuvent rivaliser de façon étonnante avec des MoE bien plus grands dans les évaluations en aval ! Obtenir une perplexité similaire ne signifie pas forcément obtenir les mêmes capacités en aval ; notre modèle dense fait souvent mieux, en raison...
Nathan Lambert / @natolambert · J’adore ce projet débrouillard. J’espère que d’autres labos américains suivront le mouvement et montreront qu’eux aussi peuvent créer des modèles solides avec de petites équipes spécialisées. Il s’inscrit aussi dans la lignée d’OLMo, alors c’est vraiment génial de voir ce que donne notre bébé à plus grande échelle. [publication citée]
Elliot Arledge / @elliotarledge · c’est vraiment intéressant, car je ne m’attendais pas à ce qu’un modèle de 65 milliards de paramètres soit aussi performant que des modèles plus de 10 fois plus grands sur des tâches de codage agentique. mais ça devient intuitif quand on pense à la part des paramètres qui ne fait que stocker des connaissances et de la mémoire, par opposition à ces capacités cognitives c...
Anna Goldie / @annadgoldie · Ravi d’annoncer le premier modèle de Ricursive, Ripple-65B Preview, que nous avons préentraîné de zéro ! Nous avons atteint un nouveau SOTA américain à poids ouverts en codage agentique, pour un dixième du coût du précédent SOTA, et il peut être exécuté en local sur un MacBook ou un DGX Spark. En adaptant notre modèle et nos recettes d’entraînement aux...
Tanishq Mathew Abraham, Ph.D. / @iscienceluvr · C’EST TELLEMENT PASSIONNANT Un nouveau LLM américain open source, préentraîné de zéro !!! ! Je sais que @DZhang50 a travaillé d’arrache-pied pour le sortir ! :)
@0xsero · 🇺🇸 c’est parti, plus de deux fois la taille de qwen, dense et très intelligent
Jen Zhu / @jenzhuscott · C’est enthousiasmant : un LLM open source basé aux États-Unis ! !
