Recursive 发布 Flint：AI 自主研发首个 MoE 编码模型

AI 初创公司 Recursive 利用一套能够自主提出、运行并评估实验的 AI 系统，构建了其首个语言模型。

AI 初创公司 Recursive 发布了其首个语言模型 Flint。一个名为“Eureka Machine”（尤里卡机器）的 AI 系统参与了开发的几乎每一个环节：它自主提出想法、构建方案、进行测试，并根据结果规划后续实验。

Flint 是一款专为本地硬件上的智能体编程（agentic coding）设计的混合专家模型（MoE），仅用四个月便完成构建。在总计 400 亿参数中，每个 token 仅激活 25 亿参数。Recursive 声称，在参数量低于 500 亿的 MoE 模型（如 Qwen3.6-35B-A3B 和 Laguna S 2.1）中，Flint 在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 等编程基准测试中处于领先地位。目前这些结果尚未得到独立验证。

在配备 48 GB 内存的 M4 Pro 芯片上，Flint 达到了参数量在 270 亿至 310 亿之间且速度更慢的稠密模型的基准测试分数。| 图片：Recursive

该模型旨在与参数量在 250 亿至 400 亿之间的稠密模型竞争，同时运行速度快五倍以上。据 Recursive 称，在搭载 M4 Pro 芯片的 MacBook Pro 上，Flint 在短上下文场景下的生成速度超过每秒 125 个 token；而在配备 64 GB 内存的 Nvidia RTX Spark 上，这一速度突破每秒 150 个 token。与同类模型相比，其推理速度提升至两倍。

在 M4 Pro 和 RTX Spark 平台上，在短上下文长度下，Flint 每秒生成的 token 数量约为同类 MoE 模型的两倍。| 图片：Recursive

在规模相近的稀疏 MoE 模型中，Flint 在所有六项编程和指令遵循基准测试中均领先，尽管 Qwen 3.8 等稠密模型在某些测试中得分更高。| 图片：Recursive

Eureka Machine 自主选定架构、量化方案与计算内核

Recursive 表示，Eureka Machine 实现了整个研究周期的自动化，能够并行运行多种方法。对于 Flint 模型，它在训练数据、优化器、架构设计以及推理调优方面均提供了支持。以下三个示例展示了该系统如何塑造模型的性能表现。

从拥有 350 亿总参数和 30 亿激活参数的初始架构出发，Eureka Machine 测试了不同的专家配置（Expert Configurations）。最终确定的 400 亿总参数、2.5 亿激活参数的设计，在所有测试变体中实现了速度与编码性能之间的最佳平衡。

在量化方面，系统反其道而行之，将输出层也降至 4 位精度。通过增加一个蒸馏步骤来弥补损失的精度，据 Recursive 称，该方法所需的训练步数约为之前方法的一半。最终生成的 NVFP4 模型在各基准测试中的得分仅比 16-bit 版本低 0.7 分。

Eureka Machine 还为 Apple Silicon 和 Nvidia RTX Spark 构建了专用的计算内核。在 Apple 的 M4 和 M5 芯片上，Metal megakernel 将 token 生成过程中的整个前向传播合并为单一操作。Recursive 指出，正是这些贯穿多个开发阶段的优化措施，使得高推理速度成为可能。

Flint 支持本地运行并开放权重

Flint 支持高达 512,000 tokens 的上下文窗口，不过 Recursive 建议将其上限设为 256,000。模型权重已在 Hugging Face 发布，采用 Apache 2.0 许可证。支持的运行时包括 llama.cpp、Ollama、LM Studio、vLLM 和 SGLang。Recursive 还发布了 rec，这是其专为 Apple Silicon 打造的推理引擎。

这意味着该模型可以在本地运行，无需将代码发送至外部服务器。Recursive 承认，在处理复杂任务时，Flint 相比大型专有编码模型需要更多的引导。该公司建议将较大的任务拆分为更小的步骤。

Recursive 押注于构建能持续打造更强 AI 的 AI

这家初创公司由 Richard Socher 以及包括前 DeepMind 研究员 Tim Rocktäschel 在内的其他人士共同创立，于 2026 年 5 月正式亮相，并融资 6.5 亿美元，估值达 46.5 亿美元。当时，Recursive 尚未展示任何具体的技术成果。Flint 是该公司通过其自动化研究流程推出的首个公开可用模型。

其长期目标是构建一个能够持续自我改进的超级智能。每一代新模型都旨在让“尤里卡机器”（Eureka Machine）成为更优秀的研究者，从而使下一代模型的构建速度更快、效率更高。最终，Recursive 希望将同样的方法应用于自动化其他科学领域的研究。

这是否真能带来加速的自我改进目前尚无定论。前 Google DeepMind 研究主管 Oriol Vinyals 认为 AI 辅助的自我改进是现实的，但认为不太可能出现智能爆炸。对于 AI 系统而言，寻找好的研究思路以及可靠地评估结果仍然是特别棘手的问题。

其他 AI 实验室也已经在利用 AI 来构建新模型。Anthropic 表示，Claude 现在承担了其自身开发工作的很大一部分，而 OpenAI 则在其整个研究流程中部署了 AI 智能体。这种自动化究竟能走多远，目前仍有争议。一项针对超过 700 条任务日志的研究发现，虽然 AI 智能体处理了大部分工作，但关键的科研决策仍主要由人类做出。

这些正是 Recursive 希望借助 Eureka Machine 实现自动化的步骤。Flint 是首个具体成果，但它尚未证明完全的递归自我改进能力。为此，该公司需要展示：使用 Eureka Machine 构建的模型确实能让 Eureka Machine 本身成为更优秀的研究者。