Das US-Unternehmen Ricursive Intelligence hat am 6. November 2026 mit Ripple-65B Preview ein neues Open-Weight-Sprachmodell für agentisches Programmieren veröffentlicht. Die Gewichte stehen unter der freien Apache-2.0-Lizenz auf Hugging Face zum Download bereit — und das Modell setzt nach Firmenangaben einen neuen Bestwert unter offenen US-Modellen: Im Benchmark Terminal-Bench 2.1 erreicht es 80,5 Punkte und überholt damit deutlich größere Konkurrenten.
Ricursive ist dabei kein klassisches KI-Labor. Die Firma entwickelt eigentlich eine KI-Plattform für Chip-Design und beschreibt sich als „Full-Stack“-Labor, das Hardware, Software und Modelle gemeinsam optimiert. Ripple-65B Preview ist die allgemein nutzbare Variante des Modells, das intern diese Plattform antreibt.
Dense statt Mixture-of-Experts — gut für den lokalen Betrieb
Technisch geht Ricursive einen bewusst anderen Weg als die meisten aktuellen Spitzenmodelle: Ripple-65B ist ein dichtes Transformer-Modell mit 65 Milliarden Parametern und 80 Schichten — kein Mixture-of-Experts-Verbund. Das reduziert laut Hersteller die Komplexität beim Training und macht den Betrieb auf eigener Hardware einfacher. Trainiert wurde auf 12 Billionen Token, überwiegend Englisch und Code; das Kontextfenster reicht bis zu einer Million Token. Als Grundlage dienten unter anderem offene Vorarbeiten rund um Olmo 3 vom Allen Institute for AI.
Veröffentlicht wurden drei Varianten: das Instruct-Modell in BF16, eine NVFP4-quantisierte Fassung und der rohe Base-Checkpoint. In BF16 belegen allein die Gewichte rund 130 Gigabyte, die NVFP4-Variante senkt den Bedarf auf etwa ein Viertel davon. Laut Ricursive läuft das Modell damit auch auf NVIDIAs Mini-Workstation DGX Spark und auf „Consumer-Hardware“ — für ein Modell dieser Leistungsklasse ist das ein ungewöhnlich kleiner Fußabdruck.
Benchmarks: US-Bestwert mit Einschränkungen
Auf Terminal-Bench 2.1, einem Benchmark für agentische Programmieraufgaben im Terminal, liegt Ripple-65B laut Modellkarte mit 80,5 Punkten vor erheblich größeren offenen US-Modellen wie Reflection Beam 501B (80,1), Muse Spark Open 816B (76,4) und Nemotron 3 Ultra 550B (56,4). Auf SWE-bench Verified erreicht es 76,5 Prozent und bleibt dort hinter Reflection Beam (81,6) zurück.
Einordnung braucht auch der Vergleich mit dem stärksten westlichen Open-Weight-Modell: An das erst wenige Tage zuvor vorgestellte Inkling 2 Small von Thinking Machines kommt Ripple laut the-decoder nicht heran — auf SWE-Bench Pro v2.0 Hard stehen 79,1 Prozent gegen 86,3 Prozent. Wichtig außerdem: Alle Werte sind vom Hersteller selbst gemessen, unabhängige Nachtests stehen noch aus.
32 Millionen Dollar: Kampfansage bei den Kosten
Bemerkenswert ist der Preis der Entwicklung: Nach eigenen Angaben hat Ricursive für Forschung und Training insgesamt rund 32 Millionen US-Dollar ausgegeben — inklusive aller Vorexperimente, Datenaufbereitung und Auswertungen. Das wäre etwa ein Zehntel dessen, was der bisherige Open-Weight-Spitzenreiter beim agentischen Coding gekostet haben soll. Der „Preview“-Zusatz deutet an, wohin die Reise geht: Das Posttraining konzentriert sich auf den Einsatz als KI-Agent beim Programmieren; eine Skalierung in Richtung Frontier-Modelle hat die Firma in Aussicht gestellt.
Was bedeutet das für Anwender in Deutschland?
Die Apache-2.0-Lizenz erlaubt die kommerzielle Nutzung ohne Einschränkungen. Interessant ist Ripple-65B vor allem für Unternehmen, deren Quellcode das Haus nicht verlassen darf: Lokal betrieben fließen keine Daten an US-Clouds ab, ein Auftragsverarbeitungsvertrag entfällt, und die DSGVO-Bewertung vereinfacht sich erheblich gegenüber Cloud-Diensten wie Claude Code oder GitHub Copilot. Zudem ist es eine US-Alternative zu den chinesischen Open-Weight-Modellen — nach der Debatte um Telemetrie-Verbindungen bei Qwen für manche Compliance-Abteilung ein Argument. Der EU AI Act sieht für frei lizenzierte, offen veröffentlichte Modelle zudem Erleichterungen vor; reine Anwender treffen vor allem Transparenz- und Schulungspflichten.
Praktisch heißt das für den Mittelstand: Erst günstig per API testen, etwa über OpenRouter oder Together AI (dann allerdings wieder mit Cloud- und AV-Vertragsfragen), und bei Eignung auf eigener Hardware deployen — die NVFP4-Variante läuft auf einer gut ausgestatteten GPU-Workstation. Wer Alternativen sucht: In unserem Lokale-KI-Bereich finden sich mit GLM-5.2, Kimi K2.7 Code und DeepSeek V4 starke offene Coding-Modelle, weitere Cloud-Werkzeuge in der Kategorie Code.