Felo API PlatformFelo API Platform
Torna ai modelli
Ricursiveaimessages

ricursiveAI/Ripple-65B-Preview API

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.

Aggiornato:

ID MODELLO

ripple-65b-preview
Contesto
1.049M
Output max
131.072K
API consigliata
messages
Input
text
Output
text

In evidenza

  • 65 miliardi di parametri, architettura densa
  • Pesi aperti sotto licenza Apache 2.0
  • Contesto fino a 1 milione di token
  • Tool calling nativo, una funzione per turno
  • Modalità di ragionamento separata
  • Eseguibile su hardware di consumo

Fornitori

1 fornitori

Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.

Fornitore · Dettagli dei prezzi
Disponibilità
$0.2$0.6$0.05

Cosa acquisti con $10

Input
50 Mln token
Output
16,7 Mln token

Stima basata sui prezzi attuali di input e output, esclusi gli sconti.

Benchmark

  • TerminalBench 2.1

    autodichiarato; il più alto tra i modelli a pesi aperti statunitensi

    80.52
  • SWE-Bench Pro v2.0-Hard

    punti

    79.1
  • DeepSWE v1.1

    punti

    44.3
  • SciCode

    il più basso tra i cinque modelli nella tabella comparativa di Ricursive

    39.4

Punteggi come pubblicati dal fornitore del modello.

Ragionamento

Attivo per impostazione predefinita
No
Sempre attivo
No

Avvio rapido

Codice pronto all'uso per chiamare questo modello con le API compatibili di Felo API Platform. Inizia nel Playground se vuoi testare i prompt prima di scrivere codice.

1

Imposta la chiave API

Crea una chiave dal tuo account Felo API Platform e impostala come variabile d'ambiente.

export FELO_API_KEY="YOUR_API_KEY"
2

Invia la prima richiesta

Usa questo ID modello con l'endpoint Felo API Platform. Le intestazioni facoltative come X-Request-Id aiutano nella risoluzione dei problemi.

ripple-65b-preview

Questo modello è in grado di ragionare. Se il protocollo selezionato e la route del modello espongono controlli di ragionamento, conserva i metadati di ragionamento restituiti quando continui la conversazione.

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());

Usare SDK di terze parti

Negli SDK compatibili imposta baseURL su https://openapi.felo.ai/api/v1. Per i client in stile Claude, usa la base URL compatibile con Anthropic. https://openapi.felo.ai/api.

3

Attiva lo streaming

Aggiungi stream: true per ricevere le risposte come 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 espone superfici compatibili per le chiamate ai modelli. Scegli la superficie che la tua app o il tuo client agente già supporta.

SurfaceMethodURL

Messages

Messaggi compatibili con Anthropic per i client in stile Claude.

POST

https://openapi.felo.ai/api/v1/messages

Parametri

NomeTipoPredefinitoDescrizione
modelstringripple-65b-previewID pubblico del modello da chiamare.
max_tokensinteger—Numero massimo di token generati.
messagesarray—Messaggi della conversazione per Chat Completions.
seed———
toolsarray—Definizioni di tool calling secondo lo schema compatibile.
top_p———
logprobs———
temperaturenumber—Controlla la varietà delle risposte quando supportato.
tool_choicestring or object—Controlla se uno strumento deve essere chiamato.
top_logprobs———
response_formatobject—Richiede output strutturato quando supportato.

Domande frequenti

Cos'è ricursiveAI/Ripple-65B-Preview?

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.

Come viene addebitato l'utilizzo?

La fattura dipende dal fornitore che usi, dai suoi prezzi e dal tuo utilizzo. Input più lunghi o altre condizioni possono avere prezzi diversi.

Quali input e output supporta Ripple-65B Preview?

Supporta input di testo e output di testo. Non sono indicate modalità aggiuntive.

Qual è la finestra di contesto?

La finestra di contesto è di 1 milione di token. Il limite di output non è specificato nella scheda del modello.

A cosa serve principalmente questo modello?

È pensato per la programmazione agentica, la revisione e il refactoring del codice, le domande tecniche, gli assistenti che usano funzioni definite dall'utente e il riassunto e la verifica incrociata di documenti.

Come funziona il tool calling?

Il tool calling è nativo e consente una sola chiamata di funzione per turno, restituendo il nome della funzione con argomenti JSON.

Quali checkpoint sono inclusi nel rilascio?

Il rilascio include tre checkpoint: un modello BF16 ottimizzato per le istruzioni, una versione NVFP4 e un modello base BF16.

In cosa differisce dai modelli della stessa famiglia?

La famiglia di confronto comprende GPT-6 Sol, GPT-6 Astra e GPT-6 Luna. Ripple-65B Preview è un modello denso con pesi aperti, mentre le informazioni fornite non specificano le caratteristiche degli altri modelli.