ricursiveAI/Ripple-65B-Preview API
Ripple-65B Preview es un modelo de lenguaje denso de 65 mil millones de parámetros, con pesos abiertos bajo licencia Apache 2.0, especializado en agentes de programación y revisión de código.
Ripple-65B Preview es el primer modelo de Ricursive Intelligence, un Transformer denso de 65 mil millones de parámetros publicado con pesos abiertos bajo licencia Apache 2.0. Fue preentrenado desde cero con aproximadamente 12 billones de tokens, en su mayoría texto en inglés y código, y su receta de postentrenamiento incluyó midtraining, entrenamiento de contexto largo, ajuste fino supervisado, ajuste fino supervisado con contexto largo y aprendizaje por refuerzo de dominios mixtos. El lanzamiento incluye tres checkpoints: un modelo ajustado por instrucciones en BF16, una versión NVFP4 y un modelo base en BF16.
El modelo está pensado para tareas de codificación agéntica: construir agentes que planifiquen cambios, llamen a herramientas y continúen a partir de los resultados, así como para revisión y refactorización de código, respuesta a preguntas técnicas, asistentes que consultan datos mediante funciones definidas por el usuario y resumen y verificación cruzada de documentos. Admite instrucciones de sistema opcionales, identificadores de usuario y de sesión, definiciones de funciones, controles de muestreo, cadenas de parada, una semilla numérica y la alternancia entre decodificación determinista y muestreo. Su modo de razonamiento devuelve el razonamiento interno en una sección separada antes de la respuesta final.
Entre sus limitaciones, la versión Preview ha recibido un postentrenamiento relativamente ligero centrado en codificación agéntica, solo admite una llamada a función por turno y queda por detrás de rivales Mixture-of-Experts más grandes en SciCode, DeepSWE y MCP Atlas. Su arquitectura densa facilita su ejecución en hardware de consumo como un MacBook o un NVIDIA DGX Spark; en BF16 alcanza 250 tokens por segundo en 2 GPU B200 con tamaño de lote 8 antes de la cuantización.
Actualizado:
ID DEL MODELO
ripple-65b-preview- Contexto
- 1.049M
- Salida máx.
- 131.072K
- API recomendada
- messages
- Entrada
- text
- Salida
- text
Aspectos destacados
- Transformer denso de 65B parámetros
- Pesos abiertos bajo licencia Apache 2.0
- Contexto de 1 millón de tokens
- Llamada a función nativa por turno
- Modo de razonamiento separado
- Ejecutable en hardware de consumo
Proveedores
Compara los precios de API entre proveedores. Selecciona un proveedor para ver todos los cargos y condiciones.
| Disponibilidad | ||||
|---|---|---|---|---|
| $0.2 | $0.6 | $0.05 |
Las estadísticas históricas no son una comprobación en tiempo real. La falta de datos no implica una interrupción.
Qué puedes comprar con $10
- Entrada
- 50 M tokens
- Salida
- 16,7 M tokens
Estimado a partir de los precios actuales de entrada y salida, antes de descuentos.
Benchmarks
- 80.52
TerminalBench 2.1
autoinformado; el más alto entre los modelos de pesos abiertos de EE. UU.
- 79.1
SWE-Bench Pro v2.0-Hard
puntos
- 44.3
DeepSWE v1.1
puntos
- 39.4
SciCode
el más bajo entre los cinco modelos de la tabla comparativa de Ricursive
Puntuaciones según lo publicado por el proveedor del modelo.
Razonamiento
- Activado por defecto
- No
- Siempre activado
- No
Inicio rápido
Código listo para llamar a este modelo con las APIs compatibles de Felo API Platform. Empieza en el Playground si quieres probar prompts antes de escribir código.
Configura tu clave de API
Crea una clave en tu cuenta de Felo API Platform y configúrala como variable de entorno.
export FELO_API_KEY="YOUR_API_KEY"Haz tu primera solicitud
Usa este ID de modelo con el endpoint de Felo API Platform. Las cabeceras opcionales como X-Request-Id ayudan a diagnosticar problemas.
ripple-65b-previewEste modelo puede razonar. Si el protocolo seleccionado y la ruta del modelo exponen controles de razonamiento, conserva los metadatos de razonamiento devueltos al continuar la conversación.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "ripple-65b-preview",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());Usar SDK de terceros
En los SDK compatibles, define baseURL como https://openapi.felo.ai/api/v1. Para clientes de estilo Claude, usa la URL base compatible con Anthropic. https://openapi.felo.ai/api.
Activa el streaming
Añade stream: true para recibir respuestas como server-sent events.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "ripple-65b-preview",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Felo API Platform expone superficies compatibles para llamar a modelos. Elige la superficie que tu app o cliente de agente ya admite.
Messages
Mensajes compatibles con Anthropic para clientes de estilo Claude.
POST
https://openapi.felo.ai/api/v1/messagesParámetros
modelstringripple-65b-previewID público del modelo que se va a llamar.max_tokensinteger—Número máximo de tokens generados.messagesarray—Mensajes de la conversación para Chat Completions.seed———toolsarray—Definiciones de tool calling según el esquema compatible.top_p———logprobs———temperaturenumber—Controla la variedad de las respuestas cuando es compatible.tool_choicestring or object—Controla si se debe llamar a una herramienta.top_logprobs———response_formatobject—Solicita salida estructurada cuando es compatible.Preguntas frecuentes
¿Qué es ricursiveAI/Ripple-65B-Preview?
Ripple-65B Preview es el primer modelo de Ricursive Intelligence, un Transformer denso de 65 mil millones de parámetros publicado con pesos abiertos bajo licencia Apache 2.0. Fue preentrenado desde cero con aproximadamente 12 billones de tokens, en su mayoría texto en inglés y código, y su receta de postentrenamiento incluyó midtraining, entrenamiento de contexto largo, ajuste fino supervisado, ajuste fino supervisado con contexto largo y aprendizaje por refuerzo de dominios mixtos. El lanzamiento incluye tres checkpoints: un modelo ajustado por instrucciones en BF16, una versión NVFP4 y un modelo base en BF16. El modelo está pensado para tareas de codificación agéntica: construir agentes que planifiquen cambios, llamen a herramientas y continúen a partir de los resultados, así como para revisión y refactorización de código, respuesta a preguntas técnicas, asistentes que consultan datos mediante funciones definidas por el usuario y resumen y verificación cruzada de documentos. Admite instrucciones de sistema opcionales, identificadores de usuario y de sesión, definiciones de funciones, controles de muestreo, cadenas de parada, una semilla numérica y la alternancia entre decodificación determinista y muestreo. Su modo de razonamiento devuelve el razonamiento interno en una sección separada antes de la respuesta final. Entre sus limitaciones, la versión Preview ha recibido un postentrenamiento relativamente ligero centrado en codificación agéntica, solo admite una llamada a función por turno y queda por detrás de rivales Mixture-of-Experts más grandes en SciCode, DeepSWE y MCP Atlas. Su arquitectura densa facilita su ejecución en hardware de consumo como un MacBook o un NVIDIA DGX Spark; en BF16 alcanza 250 tokens por segundo en 2 GPU B200 con tamaño de lote 8 antes de la cuantización.
¿Cómo se cobra el uso?
Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos.
¿Qué modalidades de entrada y salida admite?
Solo admite entrada de texto y produce salida de texto.
¿Cuál es su longitud de contexto?
Tiene una ventana de contexto de 1 millón de tokens.
¿Para qué tareas está pensado?
Está orientado a la codificación agéntica, la revisión y refactorización de código, la respuesta a preguntas técnicas, los asistentes que consultan datos mediante funciones y el resumen y verificación de documentos.
¿Cómo funciona el razonamiento interno?
Su modo de razonamiento devuelve el razonamiento interno en una sección separada antes de la respuesta final.
¿Cuántas llamadas a función permite por turno?
Solo admite una llamada a función por turno, que devuelve el nombre de la función con argumentos en JSON.
¿Qué diferencia hay con los modelos de la serie GPT-6?
No se dispone de datos que comparen Ripple-65B Preview con GPT-6 Sol, GPT-6 Astra o GPT-6 Luna.