Ripple-65B rivalise avec les géants, pendant que les poids deviennent un terrain de jeu

65 milliards de paramètres, et pourtant

Ricursive Intelligence publie la preview de Ripple-65B, un modèle dense de 65 milliards de paramètres. À ne pas confondre avec Recursive, à l'origine de Flint : les deux noms se ressemblent, les projets non.

D'après les benchmarks publiés par l'équipe, Ripple-65B rivalise avec Muse Spark Open (816B) et Beam de Reflection (501B). Deux modèles douze à huit fois plus lourds sur le papier. De quoi le placer, toujours selon ces chiffres, à la frontière des modèles américains à poids ouverts.

La recette revendiquée reste sobre : un post-entraînement léger, ciblé sur le codage agentique, et une architecture « thin & deep » — 80 couches pour 5120 dimensions, avec une attention globale NoPE et du SWA dans un ratio 4:1. Pas d'empilement de modules exotiques, donc, mais un travail sur la profondeur et la répartition de l'attention.

Les poids, objet de travail

Pendant ce temps, la couche de distribution s'active. Unsloth sort des GGUF Dynamic v3.1 pour Qwen3.8-Flash-Next, avec 10 à 15 % de précision en plus que les GSQ-RCO sur DeepSWE, Terminal Bench et Aider Polyglot. Le travail prolonge l'UD3.1 de DeepSeek-V4.1-Flash, qui gagnait 10 à 20 %. S'y ajoute une bascule « engram » entre BF16, Q8_0, Q5_1 et IQ4_NL pour tous les quants. Les benchmarks agentiques sont menés en 256K, les autres en 128K, sur 26,2 milliards de tokens.

Sur un autre plan, Latent Space relaie une approche où des modèles de langage lisent et écrivent directement les poids d'un réseau de neurones, baptisée « Weight Space Programming ». L'idée sort l'autoresearch de la boucle RSI. L'exemple cité : modifier les poids de Qwen pour réduire les boucles de raisonnement. Au sommaire figurent aussi un prototype de super-agent signé DeepSeek et le benchmark GDPx.

Deux échelles différentes, une même tendance : les poids cessent d'être une boîte noire qu'on télécharge. On les compresse, on les recompose, on les édite.

L'usage d'un côté, la valeur de l'autre

Côté grand public, un repère de volume : le trafic de recherche qui passe par ChatGPT équivaut désormais à 20 % de celui traité par Google, quatre ans après le lancement de l'agent conversationnel. Frandroid note que la croissance de l'usage « prend beaucoup d'ampleur ». Un ratio, pas un basculement.

Côté modèles ouverts, Hugging Face pose la question qui compte : où se crée réellement la valeur ? Entreprises, gouvernements et startups misent sur des coûts plus bas, davantage de contrôle et plus de flexibilité. Reste à savoir comment les entreprises captent cette valeur, et si les acteurs américains peuvent tenir le rythme face à la progression des modèles ouverts chinois. Hugging Face développe ces réponses dans un épisode de TechCrunch.

Et maintenant ?

Trois plans se dessinent, sans qu'on puisse encore les relier mécaniquement : l'architecture d'un côté, avec un dense de 65 milliards qui revendique le niveau de modèles bien plus gros ; la manipulation des poids de l'autre, entre quants affinés et édition directe dans l'espace des paramètres ; et l'économie de l'open source, où la question n'est plus de savoir si les modèles ouverts progressent, mais qui en récupère la valeur. Les benchmarks de Ripple-65B restent des chiffres avancés par son équipe, sur une preview. Le reste du tableau est fait de pièces séparées, pas encore d'un système.