Recursive 发布可在笔记本离线运行的免费编码模型 Flint

Recursive 是一家去年成立的 AI 初创公司，如今开始名副其实。这家试图打造能够自我改进的 AI 的公司于周三发布了其首个模型 Flint。Flint 是一款可在笔记本电脑上运行的免费编程模型，其构建在很大程度上借助了 AI。

Recursive 表示，其称为 Eureka Machine 的自动化研究系统几乎参与了 Flint 开发的每一步。这使得一个小团队能够在不到四个月内从零构建出该模型。

Flint 是对递归式自我改进的一次早期公开测试：即 AI 能够构建更好的 AI，而后者再构建出更优秀的 AI。这也是业内争议最大的想法之一。一些研究人员担心，自我改进的 AI 可能会脱离人类控制。就目前而言，Recursive 的版本更为有限：它是一个由人监督的 AI 研究助手，产出了一个小到足以在笔记本电脑上运行的模型。

该公司于 5 月结束隐身状态，以 $4.65 billion 的估值获得 $650 million 融资，投资方包括 GV、Nvidia 和 AMD Ventures。Recursive 由首席执行官 Richard Socher 领导，他曾任 Salesforce 首席科学家。

由于 Flint 运行在用户自己的电脑上，而非公司的云服务器上，开发者可以离线使用它、保持代码私密，并避免 AI 云服务根据模型处理的文本量收取的使用费。该模型可在热门 AI 模型分享网站 Hugging Face 上免费下载，采用 Apache 2.0 许可证，这是一种允许免费使用和修改的开源许可证。

Flint 是一种 mixture-of-experts 模型，意味着对于任何给定任务，它只使用自身的一小部分：每次仅使用其 40 billion 个被称为参数的设置中的 2.5 billion 个。这使它轻便到足以在普通笔记本电脑上运行，并且远小于 Meta 上周发布的、为 Mac 打造的开放模型 Muse Spark Open。Muse Spark Open 使用 816 billion 个参数，至少需要一个 terabyte 的内存。

Flint 速度也很快。在 Recursive 的测试中，它在搭载 Apple M4 Pro 芯片的 MacBook Pro 上每秒生成约 131 tokens（文本块）——大约是同类模型在同一台机器上每秒 58 到 69 tokens 的两倍，这些模型包括 Google 的 Gemma 4 和 Nvidia 的 Nemotron 3.5 Lightning。在 Nvidia 的 RTX Spark 上，Flint 超过了每秒 150 tokens。

在衡量 AI 修复真实世界软件缺陷能力的基准测试 SWE-Bench Verified 上，Flint 的表现优于其他 50 billion 参数以下的模型。在 Recursive 自己六项测试的平均得分中，只有一个模型 Alibaba 的 Qwen3.8 27B 得分高于 Flint。

该公司承认，与大型付费编程助手相比，Flint 需要更多指导，并建议将大型任务拆分成更小的步骤。尽管如此，早期评价仍然正面。 Wired 的 Will Knight 在一台内存为 48GB 的 Mac 上使用 Flint 构建了几个小程序，包括一个待办事项应用和一个在网上搜寻研究资料的工具。他发现，与 Claude 或 Codex 相比，较小的编程模型经常出错或速度较慢，但 Flint 每次都能精准完成他的编程请求。

Eureka Machine 会提出想法、运行实验，并利用结果决定下一步尝试什么。根据该公司的发布视频，它几乎参与了构建 Flint 的每一个环节，从预训练到后训练再到推理。

Recursive 表示，Eureka 的贡献包括更稀疏的模型形态、使 Flint 缩小 71% 且质量几乎没有损失的低比特训练，以及自定义内核，即加速底层计算的专用程序。

Recursive 并未说明 Eureka Machine 为其研究人员节省了多少时间，但它并非唯一倚重 AI 开展研究的公司。OpenAI 上个月表示，到 8 月中旬，人类研究人员每工作 1 天，其 AI 智能体就记录 3.1 个工作日。

如果 Recursive 的押注获得回报，每个新模型都应能在没有人类帮助的情况下承担更长时间的工作。该公司此前告诉 TechCrunch，其 6 月与 Amazon Web Services 达成的 $410 million 算力协议“与其说关乎员工人数，不如说关乎智能体数量。”

Socher 告诉 Wired，更长远的目标是让 Eureka Machine 实现完全的递归式自我改进，由人类监督这一过程，并在出现问题时能够将其停止。Recursive 表示，每个新模型都应使 Eureka Machine 成为更好的研究者，帮助它更快地构建下一个模型。

当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。

Aditya Mehta 是 TechCrunch 报道 AI 的记者。他得到 Tarbell Center for AI Journalism 的支持，并曾就读于 UC Berkeley。您可以通过发送电子邮件至 [email protected]，或在 Signal 上向 adymehta.74 发送加密消息联系 Aditya。

查看简介