Recursive 发布 Flint 模型，由 Eureka Machine 自动参与研发

AI 初创公司 Recursive 用一个能自行提出、运行并评估实验的 AI 系统打造了它的首个语言模型。

AI 初创公司 Recursive 发布了其首个语言模型 Flint。一个名为 "Eureka Machine" 的 AI 系统参与了开发过程的几乎每一个环节，它自行提出构想、将其实现、进行测试，并根据结果规划后续实验。

Flint 是一个混合专家模型（MoE），专为本地硬件上的智能体编程而设计，整个构建仅用了四个月。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 等编程基准测试中领先。这些结果尚未经过独立验证。

在配备 48 GB 内存的 M4 Pro 上，Flint 的基准测试得分与参数量在 270 亿至 310 亿之间、速度慢得多的稠密模型相当。| 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 的 MacBook Pro 上，Flint 在短上下文下每秒生成超过 125 个 token。在配备 64 GB 内存的 Nvidia RTX Spark 上，这一数字超过 150。与同类模型相比，推理速度最高可达两倍。

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

在规模相近的稀疏 MoE 模型中，Flint 在全部六项编程与指令遵循基准测试中均领先，不过在部分测试中，Qwen 3.8 等稠密模型的得分更高。| 图片：Recursive

Eureka Machine 自行选定了架构、量化和计算内核

Recursive 表示，Eureka Machine 实现了整个研究周期的自动化，可并行运行多种方案。对于 Flint，它在训练数据、优化器、架构设计和推理调优方面提供了帮助。以下三个例子展示了该系统如何塑造了模型的性能。

从一个总参数 350 亿、激活参数 30 亿的架构出发，Eureka Machine 测试了不同的专家配置。最终确定的 400 亿总参数、25 亿激活参数设计，是其所测试的所有变体中速度与编程性能之间的最佳权衡。

在量化方面，该系统一反常规做法，将输出层也降至四位。新增的蒸馏步骤旨在挽回损失的精度，据 Recursive 称，它所需的训练步数约为先前方法的一半。最终完成的 NVFP4 模型在各基准测试中仅落后 16 位版本 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，一个 Metal 超级内核将 token 生成期间的整个前向传播合并为单一操作。Recursive 表示，正是这些跨多个开发阶段的优化实现了高推理速度。

Flint 可在本地运行，并以开放权重形式发布

Flint 支持最高 512,000 个 token 的上下文窗口，不过 Recursive 建议将其上限设为 256,000。该模型权重已在 Hugging Face 上发布，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。

这一切意味着该模型可以在本地运行，无需将代码发送到外部服务器。Recursive 也承认，在处理复杂任务时，Flint 比大型专有编程模型需要更多引导。该公司建议将较大的任务拆解为更小的步骤。

Recursive 押注自己能够打造出持续构建更好 AI 的 AI

这家初创公司由 Richard Socher 以及包括前 DeepMind 研究员 Tim Rocktäschel 在内的其他人共同创立，于 2026 年 5 月结束隐身状态，并以 46.5 亿美元的估值融资 6.5 亿美元。当时，Recursive 并没有具体的技术成果可以展示。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。

长期目标是构建一个能够持续自我改进的超级智能。每一个新模型都应当让 Eureka Machine 成为更好的研究者，从而能够更快、更高效地构建下一代模型。最终，Recursive 希望将同样的方法应用于其他科学领域的研究自动化。

这是否真的会带来加速的自我改进，远未有定论。前 Google DeepMind 研究负责人 Oriol Vinyals 认为 AI 辅助的自我改进是现实的，但认为智能爆炸不太可能发生。找到好的研究想法并可靠地评判结果，仍然是 AI 系统面临的格外困难的问题。

其他 AI 实验室也已经在使用 AI 构建新模型。Anthropic 表示，Claude 目前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，仍存在争议。一项对 700 多份任务日志的研究发现，AI 智能体处理了大部分工作，但关键的研究决策仍大多由人类做出。

这些正是 Recursive 希望通过 Eureka Machine 实现自动化的步骤。Flint 是第一个具体成果，但尚未证明完整的递归自我改进。要做到这一点，该公司需要证明，用 Eureka Machine 构建的模型确实能让 Eureka Machine 本身成为更好的研究者。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。