Felo API PlatformFelo API Platform

Ricursiveai API: modelli, prezzi e specifiche

Confronta tutti i modelli Ricursiveai disponibili tramite la Felo API: prezzi, finestre di contesto e capacità in un'unica tabella. Chiama qualsiasi modello con la stessa chiave API.

Modelli
1
chat ×1
Input / 1M
$0.2
Output / 1M
$0.6
Contesto massimo
1.049M

Ripple-65B Preview è un modello linguistico denso da 65 miliardi di parametri di Ricursive Intelligence, con pesi aperti sotto licenza Apache 2.0 e una finestra di contesto di 1 milione di token.

Ripple-65B Preview è un Transformer denso da 65 miliardi di parametri sviluppato da Ricursive Intelligence e rilasciato il 5 novembre 2026 con pesi aperti sotto licenza Apache 2.0. È stato preaddestrato da zero su circa 12 trilioni di token, in prevalenza testo e codice in inglese, con una lunghezza di sequenza di 8K e un'utilizzazione dei flop del modello del 40%. La ricetta di post-addestramento ha incluso midtraining, addestramento su contesto lungo, fine-tuning supervisionato, fine-tuning supervisionato su contesto lungo e apprendimento per rinforzo su domini misti. Il rilascio comprende tre checkpoint: un modello BF16 ottimizzato per le istruzioni, una versione NVFP4 e un modello base BF16.

Il modello è pensato soprattutto per compiti di programmazione agentica: costruire agenti che pianificano modifiche, chiamano strumenti e proseguono dai risultati, oltre a revisione e refactoring del codice, risposta a domande tecniche, assistenti che consultano dati tramite funzioni definite dall'utente e riassunto e verifica incrociata di documenti. Supporta il tool calling nativo con una sola chiamata di funzione per turno, restituendo il nome della funzione con argomenti JSON, e una modalità di ragionamento che espone il ragionamento interno in una sezione separata prima della risposta finale. Gestisce piani di revisione e refactoring per file e moduli fino a circa 15.000 token. Sono disponibili istruzioni di sistema opzionali, identificatori di utente e sessione, definizioni di funzioni, controlli di campionamento, stringhe di stop, un seed numerico e un interruttore tra decodifica deterministica e campionamento.

L'architettura densa è stata scelta al posto di un Mixture-of-Experts per ridurre la complessità infrastrutturale e consente l'esecuzione su hardware di consumo come un MacBook o un NVIDIA DGX Spark. Il modello BF16 raggiunge 250 token al secondo su 2 GPU B200 con batch size 8 prima della quantizzazione. Il checkpoint NVFP4 quantizza i layer MLP mantenendo l'attenzione in BF16, con pesi di circa 34 GiB a 4 bit. Tra i limiti, la release di anteprima ha ricevuto un post-addestramento relativamente leggero, incentrato sulla programmazione agentica, supporta una sola chiamata di funzione per turno ed è superata da rivali Mixture-of-Experts più grandi su SciCode, DeepSWE e MCP Atlas.

Specifiche

Input / 1M
$0.2
Output / 1M
$0.6
Contesto
1.049M
Output massimo
131.072K
Protocolli
messages
Visualizza modello →

Modelli simili di altri fornitori