Flint von Recursive: das neue MoE-Modell zum lokalen Programmieren
Recursive hat Flint angekündigt (laut TechCrunch erfolgte der Start am 21. Oktober 2026, die offizielle Seite nennt den 23. Oktober 2026). Das Mixture-of-Experts-Modell soll lokal laufen, etwa auf MacBook Pros mit Apple-Chips M4 Pro und M5 Pro/Max oder auf der NVIDIA RTX Spark mit 64 GB. Es hat insgesamt 40 Milliarden Parameter (39,8 Milliarden laut Hugging Face) und aktiviert pro Token rund 2,5 Milliarden. Die Gewichte stehen unter Apache-2.0-Lizenz auf Hugging Face (Repo RecursiveSI/flint) und sind kompatibel mit llama.cpp, Ollama, Unsloth, LM Studio, vLLM und SGLang. Dazu liefert das Unternehmen die schlanke Inferenz-Engine „rec“, optimiert für Apple M4 Pro und M5 Pro/Max.
Nach Angaben von Recursive erreicht Flint bei kurzen Kontexten über 125 Token pro Sekunde auf einem MacBook Pro M4 Pro und über 150 Token pro Sekunde auf einer NVIDIA RTX Spark mit 64 GB – nach eigener Einschätzung bis zu doppelt so schnell wie vergleichbare Modelle. TechCrunch berichtet von etwa 131 Token/s auf dem MacBook, was zur Herstellerangabe passt. Das Kontextfenster wird in der Ankündigung mit 512.000 Token angegeben, die Hugging-Face-Karte nennt dagegen 262.144 Token.
Die auf der Hugging-Face-Karte veröffentlichten Benchmarks zeigen Flint bei 54,9 % in Terminal-Bench 2.1, 89,7 % in SWE-bench Pro v2 und 74,2 % in SWE-bench Verified. Es handelt sich um interne Messungen von Recursive, unabhängige Tests stehen noch aus. Die quantisierte NVFP4-Version liegt laut denselben Autoren höchstens 0,7 Punkte unter dem 16-Bit-Modell. Recursive bezeichnet Flint als bestes MoE-Modell unter 50 Milliarden Gesamtparametern bei agentischen Coding-Benchmarks. Es könne mit dichten Modellen von 25 bis 40 Milliarden Parametern mithalten und laufe dabei mehr als fünfmal so schnell.
Laut Recursive wurde Flint von „einem kleinen Team aus Menschen und Agenten“ in weniger als vier Monaten gebaut – wie viele Menschen, sagt das Unternehmen nicht. Sein automatisiertes Forschungssystem Eureka Machine habe an fast allen Teilen mitgewirkt: Architektur, Quantisierung, Destillation, Daten, Training und Inferenz-Kernel. Wie viel es im Vergleich zu den Menschen wirklich geleistet hat, lässt sich von außen nicht messen.
Das Rennen um Open-Weight-Modelle verlagert sich zur lokalen Ausführung. Eine Woche zuvor hatte Meta Muse Spark Open veröffentlicht (816 Milliarden Parameter, mindestens 1 TB Speicher nötig). Flint geht den umgekehrten Weg: ein kleines, sparsames MoE, um offline und ohne Kosten pro Token zu programmieren.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Ich habe die offizielle Ankündigung auf recursive.com gelesen (Parameter, Lizenz, Geschwindigkeit, Rolle der Eureka Machine, genannte Grenzen) sowie die offizielle Hugging-Face-Karte (Apache-2.0-Lizenz, 39,8 Mrd. Gesamt- und 2,5 Mrd. aktive Parameter, Kontext von 262.144 Token, Benchmark-Werte am exakten Wortlaut nachgeprüft). Als unabhängige Bestätigung diente der TechCrunch-Artikel vom 21. Oktober (Startdatum, Finanzierung, CEO, MoE 40B/2,5B). Wired war nicht erreichbar. Verworfen habe ich bereits behandelte Meldungen, solche mit anonymen Quellen und solche mit unzugänglicher Primärquelle.
- Incertezze
- Alle Benchmarks sind interne Messungen von Recursive, eine unabhängige Prüfung fehlt noch: Die 89,7 % in SWE-bench Pro v2, höher als die 74,2 % in SWE-bench Verified, werden als Herstellerangabe ohne direkte Vergleiche wiedergegeben. Die Quellen widersprechen sich in drei Punkten: Datum (21. Oktober laut TechCrunch, 23. Oktober in den Seiten-Metadaten), Kontextfenster (512.000 in der Ankündigung, 262.144 Token auf der Karte) und Geschwindigkeit auf dem MacBook (über 125 Token/s laut Unternehmen, etwa 131 laut TechCrunch). Wie viel die Eureka Machine im Vergleich zu Menschen geleistet hat, ist eine Unternehmensangabe und von außen nicht messbar.
- Perché pubblicarla
- Ein Open-Weight-Modell mit freizügiger Lizenz zum lokalen Programmieren auf dem Laptop – wegen Datenschutz und Kosten direkt relevant für italienische Entwickler. Zudem erklärt das Unternehmen, die Entwicklung sei weitgehend von einem KI-Forschungssystem automatisiert worden, ein Kernthema der Debatte über die Selbstverbesserung von Modellen. Die Seite hatte das Thema noch nicht behandelt.