ricursiveAI/Ripple-65B-Preview API
Ripple-65B Preview is een open-weight dense Transformer van65 miljard parameters, gericht op agentisch coderen met native tool calling en een context van 1 miljoen tokens.
Ripple-65B Preview is het eerste model van Ricursive Intelligence, uitgebracht op 5 november 2026 onder de Apache 2.0-licentie. Het is een dense Transformer met 65 miljard parameters, vanaf nul voorgetraind op ongeveer 12 biljoen tokens, voornamelijk Engelse tekst en code. De dense architectuur maakt het model geschikt voor consumentenhardware zoals een MacBook of NVIDIA DGX Spark. De release omvat drie checkpoints: een instruction-tuned BF16-model, een NVFP4-versie en een BF16-basismodel.
Het model is bij uitstek bedoeld voor agentische codering: het plannen van wijzigingen, het aanroepen van tools en het doorgaan op basis van resultaten. Daarnaast ondersteunt het code review en refactoring voor bestanden en modules tot circa 15.000 tokens, technische vraagbeantwoording, assistenten die gegevens opzoeken via gebruikersgedefinieerde functies, en het samenvatten en kruiscontroleren van documenten. Het model biedt een reasoning-modus die interne redeneringen als apart sectie vóór het uiteindelijke antwoord teruggeeft, en het kan per beurt één functieaanroep doen met de functienaam en JSON-argumenten.
Met een context van 1 miljoen tokens is het model geschikt voor langere documenten en gesprekken, maar de preview heeft relatief lichte posttraining ondergaan, gericht op agentisch coderen. Het model ondersteunt alleen tekstinvoer en tekstuitvoer. De prestaties op TerminalBench 2.1 zijn zelfgerapporteerd en het model scoort daar hoger dan andere Amerikaanse open-weight modellen, maar het blijft achter op grotere Mixture-of-Experts-rivalen bij SciCode, DeepSWE en MCP Atlas.
Bijgewerkt:
MODEL-ID
ripple-65b-preview- Context
- 1.049M
- Max. uitvoer
- 131.072K
- Aanbevolen API
- messages
- Invoer
- text
- Uitvoer
- text
Hoogtepunten
- 65 miljard parameters, dense Transformer
- Open weights onder Apache 2.0
- Context van 1 miljoen tokens
- Native tool calling, één functie per beurt
- Reasoning-modus met aparte sectie
- Drie checkpoints: BF16, NVFP4 en base
Aanbieders
Vergelijk API-prijzen tussen aanbieders. Kies een aanbieder om alle kosten en voorwaarden te bekijken.
| Beschikbaarheid | ||||
|---|---|---|---|---|
| $0.2 | $0.6 | $0.05 |
Historische gegevens zijn geen live statuscontrole. Ontbrekende gegevens betekenen geen storing.
Wat je voor $10 krijgt
- Invoer
- 50 mln. tokens
- Uitvoer
- 16,7 mln. tokens
Geschat op basis van de huidige invoer- en uitvoerprijzen, vóór kortingen.
Benchmarks
- 80.52
TerminalBench 2.1
Zelfgerapporteerd; hoogste score onder Amerikaanse open-weight modellen.
- 79.1
SWE-Bench Pro v2.0-Hard
Punten.
- 44.3
DeepSWE v1.1
Punten.
- 39.4
SciCode
Laagste score onder de vijf modellen in de vergelijkingstabel van Ricursive.
Scores zoals gepubliceerd door de modelaanbieder.
Redeneervermogen
- Standaard ingeschakeld
- Nee
- Altijd ingeschakeld
- Nee
Snelstart
Kant-en-klare code om dit model aan te roepen met de compatibele API's van Felo API Platform. Begin in de Playground als je prompts wilt testen voordat je code schrijft.
API-sleutel instellen
Maak een sleutel in je Felo API Platform-account en stel deze in als omgevingsvariabele.
export FELO_API_KEY="YOUR_API_KEY"Je eerste aanvraag doen
Gebruik deze model-ID met het Felo API Platform-endpoint. Optionele requestheaders zoals X-Request-Id helpen bij het oplossen van problemen.
ripple-65b-previewDit model kan redeneren. Als het gekozen protocol en de modelroute reasoning-besturing bieden, bewaar dan de geretourneerde reasoning-metadata wanneer je het gesprek voortzet.
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());SDK's van derden gebruiken
Stel in compatibele SDK's baseURL in op https://openapi.felo.ai/api/v1. Gebruik voor clients in Claude-stijl de Anthropic-compatibele basis-URL. https://openapi.felo.ai/api.
Streaming inschakelen
Voeg stream: true toe om responses als server-sent events te ontvangen.
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 biedt compatibele oppervlakken voor modelaanroepen. Kies het oppervlak dat je app of agent-client al ondersteunt.
Messages
Anthropic-compatibele berichten voor clients in Claude-stijl.
POST
https://openapi.felo.ai/api/v1/messagesParameters
modelstringripple-65b-previewOpenbare model-ID om aan te roepen.max_tokensinteger—Maximaal aantal gegenereerde tokens.messagesarray—Gespreksberichten voor Chat Completions.seed———toolsarray—Definities voor tool calling volgens het compatibele schema.top_p———logprobs———temperaturenumber—Bepaalt de variatie in antwoorden wanneer ondersteund.tool_choicestring or object—Bepaalt of een tool moet worden aangeroepen.top_logprobs———response_formatobject—Vraagt gestructureerde uitvoer aan wanneer ondersteund.Veelgestelde vragen
Wat is ricursiveAI/Ripple-65B-Preview?
Ripple-65B Preview is het eerste model van Ricursive Intelligence, uitgebracht op 5 november 2026 onder de Apache 2.0-licentie. Het is een dense Transformer met 65 miljard parameters, vanaf nul voorgetraind op ongeveer 12 biljoen tokens, voornamelijk Engelse tekst en code. De dense architectuur maakt het model geschikt voor consumentenhardware zoals een MacBook of NVIDIA DGX Spark. De release omvat drie checkpoints: een instruction-tuned BF16-model, een NVFP4-versie en een BF16-basismodel. Het model is bij uitstek bedoeld voor agentische codering: het plannen van wijzigingen, het aanroepen van tools en het doorgaan op basis van resultaten. Daarnaast ondersteunt het code review en refactoring voor bestanden en modules tot circa 15.000 tokens, technische vraagbeantwoording, assistenten die gegevens opzoeken via gebruikersgedefinieerde functies, en het samenvatten en kruiscontroleren van documenten. Het model biedt een reasoning-modus die interne redeneringen als apart sectie vóór het uiteindelijke antwoord teruggeeft, en het kan per beurt één functieaanroep doen met de functienaam en JSON-argumenten. Met een context van 1 miljoen tokens is het model geschikt voor langere documenten en gesprekken, maar de preview heeft relatief lichte posttraining ondergaan, gericht op agentisch coderen. Het model ondersteunt alleen tekstinvoer en tekstuitvoer. De prestaties op TerminalBench 2.1 zijn zelfgerapporteerd en het model scoort daar hoger dan andere Amerikaanse open-weight modellen, maar het blijft achter op grotere Mixture-of-Experts-rivalen bij SciCode, DeepSWE en MCP Atlas.
Hoe wordt het gebruik gefactureerd?
Je factuur hangt af van de aanbieder die je gebruikt, de prijzen en je verbruik. Langere invoer of andere voorwaarden kunnen andere prijzen hebben.
Welke invoer en uitvoer ondersteunt Ripple-65B Preview?
Het model ondersteunt alleen tekstinvoer en tekstuitvoer. Er is geen ondersteuning voor beeld of audio.
Hoe lang is de context van Ripple-65B Preview?
De context bedraagt 1 miljoen tokens. De maximale uitvoerlengte is niet gespecificeerd in de beschikbare informatie.
Voor welke taken is Ripple-65B Preview geschikt?
Het model is vooral bedoeld voor agentisch coderen, code review en refactoring, technische vraagbeantwoording, assistenten die gegevens opzoeken via functies, en het samenvatten en kruiscontroleren van documenten.
Hoe verhoudt Ripple-65B Preview zich tot grotere modellen?
Het model scoort goed op TerminalBench 2.1 en SWE-Bench Pro v2.0-Hard, maar blijft achter op grotere Mixture-of-Experts-rivalen bij SciCode, DeepSWE en MCP Atlas.
Kan Ripple-65B Preview op consumentenhardware draaien?
Ja, dankzij de dense architectuur kan het model op consumentenhardware zoals een MacBook of NVIDIA DGX Spark draaien.