Ricursive Intelligence, 65 milyar parametreli Ripple-65B Preview modelini yayımladı

Ricursive Intelligence, 65 milyar parametreli açık ağırlıklı yapay zekâ modeli Ripple-65B Preview'ı yayımladı. Şirketin açıkladığı Terminal-Bench 2.1 puanı 80,52 oldu; bu sonuç, 501 milyar parametreli Reflection Beam 501B modelinin 80,1 puanını geride bıraktı.

Ricursive Intelligence, duyurusunda yeni modeli kendi yapay zekâ çip tasarım platformunda kullanılan kapalı modelin genel amaçlı bir sürümü olarak tanımladı. Şirket daha önce yapay zekâ çipi tasarım döngüsünü haftalara indirme planını açıklamıştı.

Model, 65 milyar parametrenin tamamını kullanan yoğun (dense) bir mimariye sahip. Şirket, modeli ağırlıklı olarak İngilizce metin ve koddan oluşan 12 trilyon token üzerinde sıfırdan önceden eğittiğini belirtti.

80 katmandan oluşan modelin açıklanan maksimum bağlam uzunluğu yaklaşık 1 milyon token. Şirket, modelin mimarisini Nvidia donanımında eğitim ve çalıştırma ihtiyaçlarını dikkate alarak belirlediğini söyledi.

Ricursive Intelligence; BF16 tabanlı talimat izleme modelini, NVFP4 sürümünü ve sonradan eğitim uygulanmamış temel modeli sunuyor. Model ağırlıkları, Hugging Face'teki model kartında Apache 2.0 lisansıyla yayımlandı.

Açık ağırlıklı modellerde eğitilmiş ağırlıklar indirilip çalıştırılabiliyor. Bu nedenle modelin kendisinin kullanılabildiği kapsam ile harici servislerin API üzerinden sunduğu kapsamı birbirinden ayırmak gerekiyor.

Karşılaştırmada kullanılan Terminal-Bench, yapay zekânın komut satırı ortamında görev yapma becerisini ölçüyor. Değerlendirme ekibi, Terminal-Bench 2.1 duyurusunda önceki sürümdeki 89 görevden 28'inin değiştirildiğini bildirdi.

Ricursive Intelligence'ın açıkladığı Terminal-Bench 2.1 puanı 80,52. Şirketin karşılaştırdığı Reflection Beam 501B'nin puanı 80,1; Ripple-65B Preview bu ölçümde 0,42 puan önde.

Ricursive Intelligence, model kartında bazı rakip modeller için resmî puan bulunmayan değerlendirmelerde kendi ölçümlerini kullandığını belirtti. Bu nedenle karşılaştırmada yayımlanmış resmî puanlarla şirketin kendi ölçüm sonuçları birlikte yer alıyor.

Şirket, Terminal-Bench puanlarının kullanılan değerlendirme aracına ve ayarlara göre değişebildiğini, bu nedenle sonuçları tekrarlamanın zor olduğunu açıkladı. Puan, şirketin bildirdiği bir değerlendirme sonucu olarak ele alınmalı.

Diğer kodlama değerlendirmelerinde modellerin sıralaması farklı çıktı. Model kartına göre SWE-bench Verified puanı Ripple-65B Preview için 76,5, Beam 501B için 81,6 oldu.

SWE-bench Pro v2.0 Hard değerlendirmesinde ise Ripple-65B Preview 79,1, Beam 501B 76,5 puan aldı. İki değerlendirmede sıralamanın değişmesi, genel kodlama performansını yalnızca Terminal-Bench sonucuna bakarak değerlendirmenin zor olduğunu gösteriyor.

Geliştirme maliyeti de şirketin açıkladığı bir rakam. Ricursive Intelligence; ön eğitim deneyleri, veri oluşturma, değerlendirme, sonradan eğitim ve nihai eğitimi kapsayan araştırma-geliştirme harcamalarının 32 milyon dolar (yaklaşık 43 milyar won) olduğunu bildirdi.

Şirket, pekiştirmeli öğrenme sürecinde bu değerlendirme puanına ulaşmak için yaklaşık 1,4 milyon deneme yaptığını söyledi. Bu rakam, tek bir eğitim çalışmasının maliyeti olarak değil, geliştirme sürecinin geneline ilişkin şirket açıklamasıyla birlikte değerlendirilmeli.

Bağlam uzunluğu ve erişilebilirlik, modele hangi hizmet üzerinden ulaşıldığına göre değişiyor. OpenRouter sayfasında API bağlam uzunluğu 16.384 token olarak belirtiliyor; bu, modelin yaklaşık 1 milyon token olan azami bağlam uzunluğundan farklı.

Together AI model sayfasında sunucusuz API erişimi 'yakında' olarak gösteriliyor. Şirketin açıkladığı model özellikleriyle hizmetlerin şu anda sunduğu kapsamın ayrı ayrı kontrol edilmesi gerekiyor.