Recursive 发布 Flint：400 亿编码模型，大半由自家研究 AI 组装

Recursive Superintelligence 于 10 月 21 日发布了 Flint，一个 400 亿参数的开放权重编码模型，公司称它由一支不到三十人的团队在四个月内、在公司自动化研究系统 Eureka Machine 的大力协助下建成。该模型以 Apache 2.0 许可证免费提供，在 Hugging Face 上可得，并设计为可在消费级笔记本上运行 —— 把这些事实与 Recursive 为走到这一步所花的东西放在一起权衡时，就更有意思了：以 46.5 亿美元估值融资 6.5 亿美元、一份 4.1 亿美元的 AWS 算力协议，以及一支从 Meta AI、Google DeepMind、OpenAI、Salesforce AI 和伦敦大学学院组建的创始团队，全都是为了追求公司所称的递归自我改进超级智能。

Flint 是 Recursive 有史以来发布的第一个模型。它不是对某个更大专有系统的蒸馏，也不是某个社区检查点的衍生品。据公司称，该模型的架构、训练配方、数据整理策略、量化方案和推理内核，全都由 Eureka Machine 开发或大幅塑形 —— 这是一个自动化循环，提出研究方向、把它们实现为代码、运行实验，并为下一次迭代选出最有希望的分支。这一说法能否经受外部审视，是 AI 界才刚开始问的问题；截至 2026 年 10 月 22 日，尚无对 Flint 的独立基准评估。

Recursive 建了什么，以及为什么花了五个月

Recursive 于 2026 年 5 月带着 6.5 亿美元融资和一个立刻引来科幻类比的论点结束隐身：构建一个能改进自身设计的 AI 系统，改进速率就可能复利增长。该公司在那次宣布之后五个月没有公开交付任何东西。CEO Richard Socher，Salesforce 前首席科学家、AI 搜索引擎 You.com 的创始人，今年早些时候告诉 Wired，6 月敲定的 4.1 亿美元 AWS 算力协议「不太关乎人头数，更关乎智能体数」—— 这一表述现在读来像是 Flint 如何建成的直接预告。

八人的创始团队是近年 AI 史上较为不寻常的组合之一。除了 Socher 和田渊栋 —— 他在 Meta 基础 AI 研究实验室待了十余年，研究强化学习、LLM 推理和 AI 引导的优化，并领导了 Meta 的 DarkForest 围棋 AI 和 ELF OpenGo 项目 —— 名单还包括 Tim Rocktäschel（伦敦大学学院教授、前 Google DeepMind 首席科学家）、Alexey Dosovitskiy（视觉 Transformer 论文的共同作者）、Josh Tobin（曾在 OpenAI）、熊蔡明、Tim Shi 和 Jeff Clune。《人工智能：一种现代方法》的共同作者 Peter Norvig 担任顾问，正如 《纽约时报》在 Recursive 于 2026 年 5 月宣布融资时所报道。

在这一背景下，Flint 是一件具体的东西：首次尝试在一个出货的产品中展示「自动化 AI 研究」应用于完整的模型构建栈时究竟产出什么。公司的说法不只是智能体帮着做了一些后训练任务。它说 Eureka Machine 参与了数据整理与过滤、训练配方、优化器开发、量化策略、内核开发，以及产出最终模型形态的架构搜索 —— 每个阶段都跨数百个同时进行的实验并行运行，在先前运行的结论之上继续构建，而不是每次从零开始。

49 层、每层 256 个专家的混合专家

Flint 是一个仅解码器的 Transformer，使用混合专家设计以保持推理成本低、同时维持大的总参数量。该模型携带 398 亿总参数，但每个 token 只激活约 25 亿 —— 这一比例使它能加载到通常只能容纳小得多模型的硬件上。

该架构有 49 层：前端两个稠密层，之后是 47 个混合专家层。每个 MoE 层维护 256 个路由专家子网络。一个轻量路由模块检查每个输入 token，从那 256 个中选 6 个激活，外加一个无论路由如何都始终激活的共享专家。这意味着每个 MoE 层对每个 token 处理 7 个专家子网络，从 257 个的池中抽取。

256 个专家的数量明显高于可比的开放权重 MoE 架构。阿里的 Qwen3 MoE 系列每层用 128 个专家；DeepSeek-V3，Flint 发布前可得的最强开放权重 MoE 模型，也用 256 个专家，但激活参数是 370 亿而非 25 亿。大的专家数给了 Flint 一个可供抽取的广阔专门子网络池，同时保持激活参数预算紧凑 —— 但相对更浅的专家池，它也增加了路由表内存并添加了索引开销。在这个激活参数规模下 256 个专家是否是正确的权衡，是交给 Eureka Machine 架构搜索的决策之一，而非由先前研究确立。

注意力机制交替两种模式。模型 35 层使用 513 token 窗口的滑动窗口设计 —— 快且省内存，因为每个 token 只关注其局部邻居而非完整上下文，这在长上下文推理中大幅减小键值缓存。其余 14 层使用不施加位置编码的完整注意力，让模型在完整上下文中找到全局关系而不受位置编码偏置干扰。键值缓存只用 4 个 KV 头对 32 个查询头 —— 一个激进的分组查询注意力比例，使推理时的内存需求明显低于每个查询头配一个 KV 头的架构。

模型支持最多 262144 token 的上下文。Recursive 的博客称模型「最多可处理 512k」，同时建议开发者为可靠的编码表现保持在 256k 以内。训练知识截止为 2026 年 6 月。

Eureka Machine 在设计上的指纹

Eureka Machine 对 Flint 的贡献超出选择训练超参数。从 350 亿总参数 / 30 亿激活参数的初始基线出发，系统并行搜索专家配置和层宽，在更早的实验之上构建，并跨并发运行组合有希望的想法。最终的 40B/2.5B 配置是通过投射选出的 —— 一个预测哪种配置会提供最佳速度与编码表现权衡的模型 —— 而非通过训练并对每个候选逐一经验比较完成的模型。这是一个有意义的告诫：如果每个候选都被完整训练到收敛，该架构未必是全局最优。

一项更可验证的贡献涉及输出层的量化。大模型部署的标准做法避免量化 lm_head —— 把模型隐状态映射到词表概率的最终投影 —— 因为那里的精度损失会影响模型生成的每一个 token。Recursive 的 Eureka Machine 对这个模型的特定规模应用了不同的分析。在一个只有 25 亿激活体参数的配置里，输出投影在每次前向传播的总内存读取中占不成比例的大份额；把它量化到四位带来的吞吐改善，对这一激活参数规模的模型来说大到足以紧要，而同样的改动对拥有 100 亿或 200 亿激活参数的模型相对效果会更小。

为恢复输出层四位量化损失的精度，系统加了一个离线蒸馏阶段：量化模型在自己预采样的回复上训练，这些回复取自一个自发现的核心集，以完整的 16 位模型为教师。据 Recursive 称，相比标准的量化感知训练基线，这一方法把所需训练步数几乎减半，同时在 Recursive 的测试套件上让 NVFP4 变体保持在 BF16 模型 0.7 个基准点以内。

在数据整理上，Recursive 说 Eureka Machine 运行自动化实验，以识别最能改善编码表现的训练数据混合 —— 跨代码语言、文档类型、数学推理语料和合成数据组成测试各种配置。该自动化循环对照编码专用的留出任务评估每个混合候选，丢弃在目标指标上降低表现的配置、提升改善它们的配置，迭代速度快于人工审阅实验日志的人类研究团队。公司没有发布详细的数据卡，所以产出最终模型的具体混合权重和来源仍未披露 —— 这是一个在把 Eureka Machine 的数据整理说法当作经过验证的方法论、而非一份公司描述之前，独立研究者会希望填补的缺口。

在苹果芯片上，Eureka Machine 生成了一个 Metal 巨内核 —— 一次融合整个解码前向传播的 GPU 调度，覆盖标准实现分散到多次内核启动的操作。内核融合减少了 GPU 操作之间的同步开销，并允许跨本会因等待中间结果落入内存而停顿的步骤更好地复用寄存器。Recursive 声称这个内核是其报告的速度数字与 llama.cpp 在同一硬件上所达成之间吞吐差异的很大一部分原因。

基准说法，附披露

Recursive 报告 Flint 在 SWE-bench Verified 上得 74.2%、Terminal-Bench 2.1 上 54.9%、LiveCodeBench v6 上 80.3%、IFBench 上 89.2%、IFEval 上 95.1%。该清单中的每个数字都是 Recursive 在公司自己的评估协议下产出的。截至发稿，尚无对任何 Flint 基准结果的独立复现。

SWE-bench Verified测试一个 AI 智能体能否对照一个经人类验证的测试套件解决真实的 GitHub issue，过滤掉预期输出含糊或定义不清的任务。Recursive 用 mini-swe-agent harness、无互联网访问、智能体超时最长五小时进行评估，分数在温度 1.0 下至少五次尝试的 pass@1 上取平均。74.2% 这个数字把 Flint 置于 Recursive 对比表中 50B 以下 MoE 模型的首位，领先 Qwen3.6-35B-A3B 的 73.4% 和 Laguna XS 2.1 的 70.9%。

Terminal-Bench 2.1 衡量终端环境中的智能体编码，要求多步推理和工具使用。Recursive 用 Terminus 2 harness，并把通过网络检索获得的解当作失败处理 —— 这一方法学选择惩罚了在任务执行中查阅外部参考的智能体策略。Flint 得 54.9%。Recursive 自己的对比数据显示，阿里的 Qwen 3.8，一个 270 亿参数的稠密模型而非 MoE，在同一基准上得 73.0%。稠密的 Qwen 3.8 在 Terminal-Bench 上大幅胜过 Flint；Flint 宣称的优势是本地推理速度和硬件可及性，而非在所有竞争模型中的智能体基准领先。

Recursive 还报告了「SWE-bench Pro v2」上 89.7% 的分数。这个数字不应与公开 SWE-bench Pro 榜单上的结果比较。该变体是 Recursive 自己的基准，建立在与社区维护版本不同的基础设施和不同的评估协议上。公司的博客承认该分数是「由 Recursive 测量」，无法对照公开榜单条目复现。

NVFP4 量化模型在 Recursive 测试套件上保持在 BF16 的 0.7 分以内：NVFP4 Terminal-Bench 53.7（BF16：54.9）、NVFP4 SWE-bench Pro v2 88.5（BF16：89.7）、NVFP4 SWE-bench Verified 74.1（BF16：74.2）。

延伸阅读：DeepSeek Flash-1017 编码智能体达 77%，自反馈 RL 压成本

Flint 在开放权重编码模型版图中的位置

开放权重编码模型生态在 2026 年比此前任何时候都更有竞争。DeepSeek-V3-0324，Flint 之前可得的最强通用开放权重 MoE 模型，运行在 6710 亿总参数 / 370 亿激活参数 —— 在两个维度上都比 Flint 大一个数量级。它在通用推理和编码任务上达到或接近前沿闭源模型水平，但即便是量化部署也需要多 GPU 推理，在单台消费机器上不切实际。Flint 的设计处理的是不同的约束：开发者可及的本地推理加有竞争力的编码能力，而非绝对的基准最大化。

在实际能装进单块高端消费 GPU 或笔记本的模型中，比较集更窄。阿里的 Qwen3.6-35B-A3B 是最直接的架构对比 —— 同样是以开放权重提供的 50B 以下 MoE 编码模型，在 Recursive 表中 SWE-bench Verified 为 73.4%。Laguna XS 2.1 在同一指标上得 70.9%。Mistral 的 Codestral 25.05，一个专门针对代码的 220 亿参数稠密模型，在 SWE-bench Verified 上落后更多，但因为它能装进 24GB 且与 IDE 工具有成熟集成而仍被广泛部署。Google 的 270 亿参数（稠密）Gemma 4 是苹果芯片吞吐的主要对比，Flint 在那里宣称约 2 倍的生成速度。

Flint 采取的 MoE 架构方法如今在前沿已很成熟 —— DeepSeek-V3、Mixtral、Qwen3-235B-A22B 和 Grok 2 都用稀疏激活设计 —— 但在 40B 总 / 2.5B 激活的规模上为本地部署应用它，是一个相对较新的设计选择。Flint 之前可得的多数中小型 MoE 模型用 30 亿到 80 亿的激活参数，而更低的激活参数目标是一个不寻常的设计点，由「在 M4 Pro 统一内存带宽上达到每秒 131 token」这一具体约束驱动。25 亿激活参数对编码智能体任务的全部广度是否足够，还是要求长的多文件推理的任务会暴露能力缺口，接下来几周真实世界的开发者使用会比任何基准表更清楚地揭示。

本地运行 Flint：硬件路径与报告的速度

模型以多种权重格式出货，针对不同的硬件配置。BF16 检查点在 37 个文件中重 79.59 GB，服务器部署每个服务副本需要一块英伟达 B300 或 H200 GPU。NVFP4 GGUF 变体为 22.86 GB；INT4 GGUF 为 25.99 GB；INT4 safetensors 为 22.58 GB。Unsloth 量化在发布首日可得，其中 UD-IQ3_XXS 变体能装进 24GB 的英伟达 RTX 3090 而不溢出内存，UD-Q5_K_XL 则需把部分专家卸载到系统内存才能装下。

Recursive 报告在配 M4 Pro 芯片的苹果 MacBook Pro 上每秒 131 token —— 大约是 Recursive 自己的对比测试在可比硬件上为 270 亿参数稠密模型 Gemma 4 记录的 58 到 69 token/秒 的两倍，据 TechCrunch 报道。这一速度差说明了稀疏 MoE 架构的实际优势之一：因为 Flint 每个 token 只从内存读取 25 亿激活参数，而一个 300 亿参数的稠密模型必须为每个 token 访问全部 300 亿，内存带宽 —— 消费级芯片上的瓶颈 —— 被利用得高效得多。131 token/秒 这个数字覆盖一次 128000 token 会话的平均解码吞吐，不含预填充时间。这一排除对编码智能体很重要：实际的端到端任务完成速度取决于会话中有多少花在预填充大的代码上下文上、相对于生成输出。

在英伟达硬件上，Recursive 报告在一块 64GB RTX Spark 上短上下文下每秒超过 150 token。公司声称 Flint 比编码基准分数相近的 250 亿到 400 亿参数稠密模型快五倍以上，并在同一硬件上比可比 MoE 模型最高快两倍。

在 Ollama 上部署需要命令 ollama run flint，约 23 GB 的下载。该模型可配合 llama.cpp、LM Studio、vLLM、SGLang 和 Unsloth 使用。Recursive 正在发布一个名为「rec」的专用推理引擎，面向苹果芯片，针对至少 48 GB 统一内存和 30 GB 空闲磁盘的 M4 Pro、M5 Pro 和 M5 Max 芯片。Recursive 声称 rec 引擎在那些芯片上以四位精度达到 llama.cpp 吞吐的 1.4 到 2.6 倍。OpenRouter 上一个免费托管端点以完整的 262144 token 上下文窗口提供 BF16 模型；该模型也在 OpenCode 和 Pi 上免费可得。

对于服务器部署，Transformers 建模代码尚未包含在此次发布中 —— 通过 SGLang 或 vLLM 提供服务的开发者被引导直接使用所提供的服务套件，而非标准的 Transformers 集成路径。

Flint 还做不到什么 —— 以及这些数字留下的开放问题

Recursive 自己的文档包含一个直接告诫：Flint「可能比你习惯的更大的闭源编码模型需要更多指导」。推荐的工作流是在把复杂任务传给模型之前，把它们分解为更小、明确指定的子任务。公司建议为涉及扩展推理链的难题设置至少 32768 token 的最小输出预算。在多轮智能体循环中，reasoning_content 字段应跨轮保留，以维持连贯的问题求解状态；在中间轮省略它会降低长任务上的表现。

Wired 评测者 Will Knight 在一台 48 GB 的 Mac 上测试 Flint 来构建一个待办应用和一个网页研究工具，报告模型成功处理了两项任务。这是在有利条件下的轶事证据。Knight 还指出，在他的一般经验中较小的编码模型经常产出错误 —— 隐含的对比是 Claude Opus 和 Codex 等闭源前沿模型，它们在大得多的规模、大得多的后训练投入下运作。

模型核心的架构 —— 40B 总 / 2.5B 激活 —— 是通过投射选出的，而非通过训练并经验比较完成的候选模型。如果后来的消融运行揭示不同的专家数或层宽在等价推理成本下产出明显更好的结果，Eureka Machine 的搜索可能收敛到了局部而非全局最优。Recursive 没有披露回溯评估它选择不完整训练的候选设计的计划。

没有独立评估复现过 Recursive 的任何基准数字。截至 10 月 22 日，Artificial Analysis 没有 Flint 条目。mini-swe-agent 和 Terminus 2 等社区 harness 需要数天到数周，独立比较才会跨多位研究者出现。Flint 74.2% 的 SWE-bench Verified 分数可能是 50B 以下 MoE 编码模型真正的同类最佳表现，也可能反映有利的评估条件、harness 配置选择，或公告中未披露的提示工程。社区会判定哪种解读更接近现实；在那之前，每个性能数字都应被当作公司的报告说法，而非独立确立的事实。

作为竞争论点的小团队 AI 研究飞轮

在模型本身之外，Flint 代表着 AI 行业多年来在理论上争论的一个问题的早期实证数据点：一个使用自动化研究的小团队，能否产出与拥有数千员工、把数量级更多资本投入人头的组织相竞争的结果？Recursive 不到三十人。Meta AI、Google DeepMind 和 OpenAI 各自雇用数千名研究者和工程师。整个 Flint 开发周期 —— 从基线架构到出货发布 —— 在四个月内完成。

如果 Eureka Machine 真的对 Flint 流水线的每个阶段都有贡献，而且如果独立评估确认该模型与可比的开放权重编码系统有竞争力，那么 Recursive 的方法就开始看起来像一个更广论点的可用原型：自动化研究复利的速度快于招人。公司的模型开发路线图描述的正是那个飞轮 —— 每个出货的模型产生训练信号和研究发现，使 Eureka Machine 成为更好的研究者，这反过来使下一个模型更便宜、更有能力。

这一时机连上了 AI 自我改进领域观察者一直追踪的一条轨迹。GPTS24 上周报道，Anthropic 联合创始人 Jack Clark 把他对递归自我改进最可能的年份从 2028 年提前到 2027 年，理由是自 2025 年 12 月以来研究任务上的算力效率乘数大约每三个月翻倍。Recursive 谨慎地不把 Flint 当作完整 RSI 的证明 —— 公司把 Eureka Machine 描述为在人类监督下运作的自动化研究助手，由研究者掌舵高层方向并审查系统的提议。但 Flint 是那个系统产出的第一个具体产物，而它的质量将对照一个比多数观察者预期移动得更快的标杆被评判。

延伸阅读：Jack Clark 把自我改进预测提前到 2027：AI 研究创造力条件正在瓦解

Socher 告诉 Wired，终极目标是完整的递归自我改进，而人类保留在每个阶段介入和重定向系统的能力。公司当前的表述把 Eureka 定位为人类研究者的力量倍增器，而非他们的替代品 —— 人类团队仍然选择目标、审查发现、决定什么出货。Eureka Machine 实际在自主自导改进上走了多远 —— 相对于作为一条高度自动化但仍由人类大量掌舵的研究流水线运作 —— 不是 Flint 发布本身能回答的。这次发布确实确立的是，当研究过程本身跨数百个同时进行的实验被自动化时，一支不到三十人的团队能在四个月内建成一个顶级的开放权重编码模型。独立评估者运行 Recursive 所用的同样基准、在等价条件下一致地跨竞争模型应用，将是一个更好的信号，说明 Eureka Machine 的贡献是否产出在公司自己评估环境之外仍然成立的能力 —— 以及 Recursive 所描述的飞轮是否开始转动。