2026年10月21日，AI初创公司Recursive正式发布其首个模型Flint——一款可在普通笔记本电脑上离线运行的免费开源编码模型。但比“笔记本能跑”更引人注目的是它的出身：Flint的诞生，很大程度上是由Recursive自家的一套自动化AI研究系统“Eureka Machine”深度参与的。一支小团队借助这套系统，在不到四个月的时间里从零构建了这款模型。
Recursive成立于去年，今年5月结束隐身状态时以46.5亿美元估值完成6.5亿美元融资，投资方包括GV、英伟达与AMD Ventures，CEO由Salesforce前首席科学家Richard Socher担任。公司的目标直指一个在业界颇具争议的方向——递归自我改进（recursive self-improvement）：让AI造出更好的AI，再用更好的AI造出更更好的AI。Flint，就是这条路上的第一次公开测试。
▲ Recursive Flint：40B总参数、2.5B激活的稀疏MoE编码模型，专为本地Agent工作负载设计
一组关键数字：总参数400亿、每Token仅激活25亿；MacBook Pro M4 Pro上生成速度超过125 Token/秒，约为同类模型的两倍；SWE-bench Verified得分74.2%，在500亿参数以下的MoE模型中领先；Apache 2.0开源许可，权重已在Hugging Face免费开放。
40B的“大脑”，只调用2.5B的“神经元”
Flint的核心设计思路，不是把模型做小，而是让模型每次只动用一小部分自己。
它采用混合专家（MoE）架构：总参数约400亿，但每生成一个Token，只有约25亿参数被实际激活。模型共有49层——前2层为稠密层，后47层为MoE层，每层有256个路由专家，每个Token选择其中6个，外加1个始终激活的共享专家。注意力机制上，35层使用513 Token的滑动窗口，14层使用全注意力且不加位置编码。
这种“稀疏激活”让Flint在保持400亿参数容量的同时，计算开销接近一个25亿参数的稠密模型。再加上4-bit量化，权重体积压缩到约23GB，足以在48GB内存的Apple Silicon Mac或NVIDIA GPU上运行。对于不想把代码上传到云端、不想按Token付费、甚至不想联网的开发者来说，这是一个实质性的选项。
速度：Mac上125+ Token/秒，是同类模型的两倍
本地模型最怕“能跑但慢得没法用”。Flint在这一项上交出了有说服力的数字。
根据Recursive公布的数据，在搭载M4 Pro芯片的MacBook Pro上，Flint的生成速度超过125 Token/秒；在64GB的NVIDIA RTX Spark上超过150 Token/秒（短上下文场景）。作为对比，同一台M4 Pro机器上，Google的Gemma 4和NVIDIA的Nemotron 3.5 Lightning的速度大约在58到69 Token/秒之间，Flint约为它们的两倍。
这种速度优势部分来自Recursive的推理优化。团队为低比特投影、MoE运算、注意力和提示处理编写了专用内核，并在M4和M5芯片上使用Metal megakernel将整个解码前向传播融合为一次执行。对于Agent场景——需要连续多轮工具调用、反复读写代码库——这种推理速度直接决定了体验是否“跟得上思路”。
基准表现：在50B以下的MoE里领先，但与稠密模型各有胜负
Recursive对Flint的定位很清晰：500亿参数以下MoE模型中，Agentic Coding能力最强；与同等总参数规模的稠密模型相比，编码性能接近，但速度快5倍以上。
具体基准成绩（Recursive自报）如下：
| 基准测试 | Flint BF16 | Flint NVFP4 | 说明 |
|---|---|---|---|
| SWE-bench Verified | 74.2% | — | 修复真实软件Bug |
| SWE-bench Pro v2 | 89.7% | — | 更复杂的软件工程任务 |
| Terminal-Bench 2.1 | 54.9% | 53.7% | 终端操作与命令行任务 |
| LiveCodeBench v6 | 80.3% | — | 代码生成竞赛题 |
| IFEval | 95.1% | — | 指令遵循 |
需要看到硬币的另一面。在Terminal-Bench 2.1上，Flint的54.9%落后于稠密模型Qwen 3.8的73.0%。Recursive自己也承认，Flint在部分场景下会生成有缺陷的代码或不恰当的工具调用，并建议对关键代码进行测试。此外，上述成绩均为厂商自报，发布时尚未有独立第三方复现。
Eureka Machine：AI造AI，走到了哪一步？
Flint真正的“实验性”，不在于模型本身，而在于它被造出来的方式。
Recursive将自家自动化研究系统命名为Eureka Machine。按照公司的描述，这套系统会提出想法、编写实现、运行实验、评估结果，并决定下一步尝试什么——本质上是一个自动化的研究循环。在Flint的开发中，Eureka Machine参与了“几乎每一部分”的模型构建栈，从数据、训练配方到基础设施和推理优化。
Recursive披露了几个具体贡献：架构搜索——从一个35B总参数、3B激活的基线出发，搜索专家配置和宽度，最终落在40B总参数、2.5B激活；量化策略——违反常见做法，将输出层（lm_head）量化为4比特，再用16比特模型作为教师进行离线蒸馏恢复精度，训练步数几乎减半，NVFP4模型与16比特版本的得分差距在0.7个百分点以内；内核编写——为低比特运算和MoE操作生成专用内核。
这套流程的可信边界同样需要划清。Recursive没有披露Eureka Machine提出的方案中有多少被实际采纳、人类介入的程度有多深，开源材料也未对这些问题提供独立审计。Flint更准确的描述是：一个由人类监督的AI研究助手，参与造出了一个足够小、足够快、能放在笔记本上跑的编码模型——而不是“AI完全自主地发明了一个新模型”。但即便如此，这仍然是递归自我改进方向上一次值得认真对待的工程验证。
谁在用？用在哪？
注重代码隐私的开发者。 Flint在本地运行，代码不需要上传到任何云端服务器，适合处理专有代码、内部系统和合规敏感项目。
离线或弱网环境下的工程工作。 飞机上、客户现场、隔离网络中，只要有一台48GB内存的Apple Silicon Mac或NVIDIA GPU，就可以获得一个可用的编码Agent。
构建本地编码Agent的团队。 Flint原生支持推理、工具调用和多轮对话，专门为“调查代码库、修复Bug、实现功能、编写测试”等多步骤Agent任务设计。
对“AI造AI”范式感兴趣的研究者。 Flint提供了一个可下载、可审计（在模型层面）的样本，用来观察自动化研究系统在真实模型构建中能做到什么、做不到什么。
常见问题解答
Flint是免费的吗？开源协议是什么？
Flint的模型权重在Hugging Face上以Apache 2.0许可免费提供，允许免费使用和修改。
Flint能在什么硬件上运行？
4-bit量化后权重约23GB，可在48GB内存的Apple Silicon Mac（M4 Pro、M5 Pro、M5 Max）或48GB NVIDIA GPU上运行。BF16版本约80GB，需要单张H200或B300级别的GPU。
Flint和Qwen 3.8、Gemma 4相比怎么样？
在Agentic Coding的MoE子集（500亿参数以下）中，Flint领先；与总参数相近的稠密模型相比，编码性能接近但速度快5倍以上。不过Terminal-Bench 2.1上Flint（54.9%）低于Qwen 3.8（73.0%），不同基准上的胜负关系并不一致。
“Eureka Machine造模型”是什么意思？AI真的自己造了AI吗？
Eureka Machine参与了Flint开发中数据、训练配方、架构搜索、量化和推理优化等多个环节，但整个过程处于人类监督之下，且公司未披露AI贡献的具体占比。它是一次自动化研究辅助的成功演示，而非完全自主的AI自我复制。
在哪里下载Flint？
Hugging Face模型仓库：huggingface.co/RecursiveSI/flint。
“递归”的第一步，不是终点
Flint的价值，需要分两层来看。
作为一款本地编码模型，它交出了一份有竞争力的答卷：40B的容量、2.5B的激活开销、Mac上125+ Token/秒的速度、SWE-bench Verified 74.2%的成绩，再加上Apache 2.0的开放许可。对于“代码不出本机”这个具体需求，Flint是目前少数同时兼顾能力、速度和可得性的选项。
但作为一次“AI造AI”的公开实验，Flint的意义更接近一个起点而非结论。Eureka Machine展示了自动化研究系统在真实模型构建中的实用价值，但同时也把一堆未回答的问题留在了桌面上：AI的贡献到底占多少？人类监督的边界应该划在哪里？当下一轮递归发生时，人类还能不能跟得上审计的节奏？
Recursive的名字本身就是一种表态。Flint是这个表态的第一个产品，但远不是最后一个。
一句话总结：Recursive Flint是2026年10月21日发布的开源本地编码模型，40B总参数/2.5B激活的MoE架构，Mac上速度超125 Token/秒，SWE-bench Verified达74.2%，其开发过程深度借助了Recursive的Eureka Machine自动化研究系统，是“递归自我改进”方向的一次公开工程验证。适合 注重代码隐私的开发者、本地Agent构建者、离线工程团队、AI自动化研究关注者 重点关注。
了解更多：访问 Recursive官方发布页 或 Hugging Face模型仓库 获取模型权重
© 版权声明
© 本站文章版权归 众享AI 所有，未经许可禁止转载。
