ricursiveAI/Ripple-65B-Preview API
Ripple-65B Preview est un Transformer dense de 65 milliards de paramètres publié en open weights sous licence Apache 2.0, conçu pour le codage agentique avec un contexte d'un million de tokens.
Ripple-65B Preview est le premier modèle de Ricursive Intelligence, publié le 5 novembre 2026 sous licence Apache 2.0. Il s'agit d'un Transformer dense de 65 milliards de paramètres, préentraîné de zéro sur environ 12 000 milliards de tokens majoritairement en anglais et en code, avec une architecture dense choisie plutôt qu'un mélange d'experts pour réduire la complexité de l'infrastructure. Le modèle accepte du texte en entrée et produit du texte en sortie, avec une fenêtre de contexte d'un million de tokens.
Ses capacités incluent l'appel natif d'outils à raison d'un appel de fonction par tour, renvoyant le nom de la fonction avec ses arguments JSON, ainsi qu'un mode de raisonnement exposant le raisonnement interne dans une section distincte avant la réponse finale. Il prend en charge des instructions système optionnelles, des identifiants d'utilisateur et de session, des définitions de fonctions, des contrôles d'échantillonnage, des chaînes d'arrêt, une graine numérique et un basculement entre décodage déterministe et échantillonnage.
Le modèle est particulièrement adapté à la construction d'agents de codage qui planifient des modifications, appellent des outils et poursuivent à partir des résultats, à la revue et au refactoring de code pour des fichiers et modules allant jusqu'à environ 15 000 tokens, ainsi qu'aux questions techniques et à la recherche de données via des fonctions définies par l'utilisateur. La version Preview a reçu un postentraînement relativement léger axé sur le codage agentique, et elle ne prend en charge qu'un seul appel de fonction par tour.
Mis à jour:
ID DU MODÈLE
ripple-65b-preview- Contexte
- 1.049M
- Sortie max.
- 131.072K
- API recommandée
- messages
- Entrée
- text
- Sortie
- text
Points clés
- Transformer dense de 65 milliards de paramètres
- Publié en open weights sous Apache 2.0
- Contexte d'un million de tokens
- Appel natif d'outils, un par tour
- Mode raisonnement séparé de la réponse
- Trois checkpoints : BF16, NVFP4 et base
Fournisseurs
Comparez les prix des API entre fournisseurs. Sélectionnez un fournisseur pour voir tous les tarifs et conditions.
| Disponibilité | ||||
|---|---|---|---|---|
| $0.2 | $0.6 | $0.05 |
Les statistiques historiques ne sont pas un contrôle en direct. Une donnée manquante ne signifie pas une panne.
Ce que $10 permettent d'acheter
- Entrée
- 50 M tokens
- Sortie
- 16,7 M tokens
Estimation d'après les prix actuels d'entrée et de sortie, hors remises.
Benchmarks
- 80.52
TerminalBench 2.1
auto-déclaré ; meilleur score parmi les modèles open-weight américains
- 79.1
SWE-Bench Pro v2.0-Hard
points
- 44.3
DeepSWE v1.1
points
- 39.4
SciCode
score le plus bas parmi les cinq modèles du tableau de comparaison de Ricursive
Scores tels que publiés par le fournisseur du modèle.
Raisonnement
- Activé par défaut
- Non
- Toujours activé
- Non
Démarrage rapide
Un code prêt à l'emploi pour appeler ce modèle avec les API compatibles de Felo API Platform. Commencez dans le Playground pour tester des prompts avant d'écrire du code.
Configurer votre clé API
Créez une clé depuis votre compte Felo API Platform et définissez-la comme variable d'environnement.
export FELO_API_KEY="YOUR_API_KEY"Effectuer votre première requête
Utilisez cet ID de modèle avec le point de terminaison Felo API Platform. Les en-têtes de requête facultatifs comme X-Request-Id facilitent le diagnostic.
ripple-65b-previewCe modèle est capable de raisonnement. Si le protocole sélectionné et la route du modèle exposent des contrôles de raisonnement, conservez les métadonnées de raisonnement renvoyées lorsque vous poursuivez la conversation.
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());Utiliser des SDK tiers
Avec les SDK compatibles, définissez baseURL sur https://openapi.felo.ai/api/v1. Pour les clients de style Claude, utilisez l'URL de base compatible Anthropic. https://openapi.felo.ai/api.
Activer le streaming
Ajoutez stream: true pour recevoir les réponses sous forme de 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 expose des surfaces d'appel de modèles compatibles. Choisissez la surface que votre application ou votre client agent prend déjà en charge.
Messages
Messages compatibles Anthropic pour les clients de style Claude.
POST
https://openapi.felo.ai/api/v1/messagesParamètres
modelstringripple-65b-previewID public du modèle à appeler.max_tokensinteger—Nombre maximal de tokens générés.messagesarray—Messages de la conversation pour Chat Completions.seed———toolsarray—Définitions de tool calling conformes au schéma compatible.top_p———logprobs———temperaturenumber—Contrôle la variété des réponses lorsque c'est pris en charge.tool_choicestring or object—Contrôle si un outil doit être appelé.top_logprobs———response_formatobject—Demande une sortie structurée lorsque c'est pris en charge.Questions fréquentes
Qu'est-ce que ricursiveAI/Ripple-65B-Preview?
Ripple-65B Preview est le premier modèle de Ricursive Intelligence, publié le 5 novembre 2026 sous licence Apache 2.0. Il s'agit d'un Transformer dense de 65 milliards de paramètres, préentraîné de zéro sur environ 12 000 milliards de tokens majoritairement en anglais et en code, avec une architecture dense choisie plutôt qu'un mélange d'experts pour réduire la complexité de l'infrastructure. Le modèle accepte du texte en entrée et produit du texte en sortie, avec une fenêtre de contexte d'un million de tokens. Ses capacités incluent l'appel natif d'outils à raison d'un appel de fonction par tour, renvoyant le nom de la fonction avec ses arguments JSON, ainsi qu'un mode de raisonnement exposant le raisonnement interne dans une section distincte avant la réponse finale. Il prend en charge des instructions système optionnelles, des identifiants d'utilisateur et de session, des définitions de fonctions, des contrôles d'échantillonnage, des chaînes d'arrêt, une graine numérique et un basculement entre décodage déterministe et échantillonnage. Le modèle est particulièrement adapté à la construction d'agents de codage qui planifient des modifications, appellent des outils et poursuivent à partir des résultats, à la revue et au refactoring de code pour des fichiers et modules allant jusqu'à environ 15 000 tokens, ainsi qu'aux questions techniques et à la recherche de données via des fonctions définies par l'utilisateur. La version Preview a reçu un postentraînement relativement léger axé sur le codage agentique, et elle ne prend en charge qu'un seul appel de fonction par tour.
Comment l'usage est-il facturé ?
Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents.
Quels types d'entrées le modèle accepte-t-il ?
Ripple-65B Preview accepte uniquement du texte en entrée et produit du texte en sortie.
Quelle est la longueur de contexte prise en charge ?
Le modèle dispose d'une fenêtre de contexte d'un million de tokens.
Quelles tâches le modèle couvre-t-il ?
Il est conçu pour le codage agentique, la revue et le refactoring de code, les questions techniques, les assistants recourant à des fonctions définies par l'utilisateur, ainsi que le résumé et le recoupement de documents.
Quelle est la différence avec les autres modèles de la série ?
Ripple-65B Preview est le premier modèle de Ricursive Intelligence ; la comparaison détaillée avec ses pairs n'est pas fournie dans les sources.
Combien d'appels de fonction par tour le modèle autorise-t-il ?
Il prend en charge un seul appel de fonction par tour, en renvoyant le nom de la fonction avec ses arguments JSON.