রিকার্সিভের নতুন ৬৫বি ওপেন-ওয়েট মডেলটি কোডিং বেঞ্চমার্কেতে অনেক বড় প্রতিদ্বন্দ্বীদের চেয়ে ভালো পারফর্ম করে, যা প্রমাণ করে যে এখন ছোট ডেন্স মডেলগুলো এজেন্টিক টাস্কে বিশাল সিস্টেমের সমান হতে পারে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
Ricursive Intelligence just released Ripple-65B Preview. Ripple-65B Preview is a 65B dense open-weight model from Ricursive, pretrained from scratch for agentic coding. It is a general-purpose variant of the proprietary model behind Ricursive’s AI chip design platform. The main claim: 80.52 on Terminal-Bench 2.1, the top self-reported score among US open-weight models. Every MoE rival it beats on that test carries 501B to 975B total parameters. TL;DR Size: 65B dense (65B active), pretrained on 12T tokens, up to 1M context. Runs on: BF16 on datacenter GPUs (250 tok/s on 2x B200). Experimental NVFP4 build targets NVIDIA DGX Spark. Performance: Frontier-level agentic coding for its size; trails larger MoE models on knowledge and science coding. Best: Terminal-Bench 2.1, 80.5 (self-reported). Worst: SciCode, 39.4, lowest of the 5 models in Ricursive’s own table. What is Ripple-65B Preview? The release includes 3 checkpoints: an instruction-tuned BF16 model, an NVFP4 version, and a BF16 base model. All ship under Apache 2.0. Pretraining used a text-only corpus, mostly English and code, at 8K sequence length. Ricursive team states that the full R&D cost was $32M. That figure covers ladder experiments, data mixing, evals, synthetic data and the final runs. Ricursive team estimates that it is one-tenth the cost of the prior open-weight agentic coding leader. How does the architecture work? Ricursive chose a dense Transformer over Mixture-of-Experts to reduce infrastructure complexity. Training held 40% MFU with simple sharding, no custom kernels and no quantization. The model is thin and deep: a d_model of 5120 across 80 layers. It moves from Olmo 3’s Llama-like layout to a Gemma 3N-like design for stability. Key choices: Overprovisioned attention heads for reasoning, offset by more sliding-window layers and smaller windows. Gated attention, global NoPE and value residuals. FFN activation clipping, a technique also used in gpt-oss. Ricursive team built the
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
TwIL-8B সাধারণ হার্ডওয়্যারে উচ্চ-প্রদর্শনকারী গণিত ও কোড রিজনিং সরবরাহ করে, যা ব্যয়বহুল অবকাঠামো ছাড়াই উন্নত AI অ্যাক্সেসযোগ্য করে তোলে।
এই টুলটি যেকোনো ডকুমেন্টকে গঠনমূলক JSON ফিল্ডে রূপান্তর করে, ডেটা এক্সট্র্যাকশনকে সহজ করে এবং অগঠিত তথ্যের কার্যকর, স্বয়ংক্রিয় প্রক্রিয়াকরণকে সক্ষম করে।