本周三,Recursive Superintelligence 发布第一个模型 Flint:一个由自动化研究系统 Eureka Machine 参与几乎全程构建、在笔记本本地运行的编程模型,以 Apache 2.0 在 Hugging Face 免费开放。40B 总参、每 token 只激活 2.5B,普通笔记本就能跑:代码不出本机、可离线、不付 API 费(官方发布页)。
性能:小身板,快得反常
搭配官方优化推理引擎,Flint 在 M4 Pro MacBook Pro 每秒生成超 125 个 token,64GB NVIDIA RTX Spark 短上下文超 150。TechCrunch 给出对照组:同机型上 Google Gemma 4、NVIDIA Nemotron 3.5 Lightning 只有每秒 58 到 69 个 token(TechCrunch)。
基准上,官方称它在 SWE-Bench Verified、Terminal-Bench 2.1 等 agentic 编程基准上是 50B 以下 MoE 里最好的,逼近 25-40B dense 模型的编程能力且快五倍以上。TechCrunch 补充:Recursive 自家六项测试平均分里,只有阿里 Qwen3.8 27B 排在前面。
Eureka Machine:AI 造 AI 首次公开实操
Flint 的看点不是跑分,而是怎么被造出来。Eureka Machine 自动化研究循环——提想法、跑实验、看结果、定下一步——多方向并行,官方称其参与从数据、训练配方到推理优化几乎所有环节。
两个例子:架构上,从 35B 总参/3B 激活的基线搜索专家配置,选定 40B/2.5B;量化上,反常规地把输出层 lm_head 压到 4-bit,再用自发现数据核心集做离线蒸馏恢复精度,NVFP4 版与 16-bit 版基准差距 0.7 分内。CEO Richard Socher 补充,低比特训练把模型缩小 71% 几乎无质量损失。
结果:小团队加 agent,四个月从零造出模型。
本地模型的卡位
一周前 Meta 发布 816B 的 Muse Spark Open,要至少 1TB 内存;Flint 走另一极端。两家方向一致:把模型从云拉回本地。Wired 的 Will Knight 在 48GB Mac 实测,待办应用、网页研究工具一次做对,没有小模型常见的报错和龟速。
冷静看:Recursive 承认它比大型闭源编程助手需要更多指导,「AI 造 AI」眼下仍是人类监督下的自动化研究。但方向清楚——Recursive 与 AWS 签 4.1 亿美元算力合同时就说,重点「不在人头数,而在 agent 数」。Flint 是这个飞轮的第一圈,值得盯的是下一圈会不会转得更快。