Flint de Recursive: el nuevo modelo MoE para programar en local
Recursive ha anunciado Flint (TechCrunch informa del lanzamiento el 21 de octubre de 2026; la página oficial indica el 23 de octubre de 2026). Este modelo mixture-of-experts está pensado para ejecutarse en local en equipos como los MacBook Pro con chips Apple M4 Pro y M5 Pro/Max o la NVIDIA RTX Spark de 64 GB. Tiene 40.000 millones de parámetros en total (39.800 millones según Hugging Face) y activa unos 2.500 millones por token. Los pesos se publican con licencia Apache 2.0 en Hugging Face (repo RecursiveSI/flint) y son compatibles con llama.cpp, Ollama, Unsloth, LM Studio, vLLM y SGLang. Además, la empresa ha lanzado «rec», un motor de inferencia ligero optimizado para los chips Apple M4 Pro y M5 Pro/Max.
Según Recursive, Flint supera los 125 tokens por segundo en un MacBook Pro M4 Pro y los 150 tokens por segundo en una NVIDIA RTX Spark de 64 GB con contextos cortos, una velocidad que la empresa calcula hasta el doble que la de modelos similares. TechCrunch registra unos 131 tokens/s en el MacBook, una cifra coherente con la declarada. La ventana de contexto figura como 512K tokens en el anuncio, pero la ficha de Hugging Face indica 262.144 tokens.
Los benchmarks de lanzamiento, publicados en la ficha de Hugging Face, sitúan a Flint en un 54,9 % en Terminal-Bench 2.1, un 89,7 % en SWE-bench Pro v2 y un 74,2 % en SWE-bench Verified. Son evaluaciones internas de Recursive y todavía no las han confirmado pruebas independientes. Según los mismos autores, la versión cuantizada NVFP4 se queda a menos de 0,7 puntos del modelo de 16 bits. Recursive afirma que Flint es el mejor modelo MoE por debajo de los 50.000 millones de parámetros totales en benchmarks de programación agéntica, y que rivaliza con modelos densos de 25.000 a 40.000 millones siendo más de cinco veces más rápido.
Recursive dice que Flint lo construyó «un pequeño equipo de personas y agentes» en menos de cuatro meses, sin precisar cuántas personas. Según la empresa, su sistema de investigación automatizada Eureka Machine participó en casi todas las partes del trabajo: arquitectura, cuantización, destilación, datos, entrenamiento y kernels de inferencia. Cuánto hizo realmente frente a las personas no se puede medir desde fuera.
La carrera de los modelos de pesos abiertos se está desplazando hacia la ejecución en local. Una semana antes, Meta había lanzado Muse Spark Open (816.000 millones de parámetros, con al menos 1 TB de memoria necesario). Flint va en la dirección contraria: un MoE pequeño y disperso para programar sin conexión y sin costes por token.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Leí el anuncio oficial en recursive.com (parámetros, licencia, velocidad, papel de la Eureka Machine, límites declarados) y la ficha oficial en Hugging Face (licencia Apache 2.0, 39.800 millones de parámetros totales y 2.500 millones activos, contexto de 262.144 tokens, puntuaciones comprobadas con la frase exacta). Como confirmación independiente usé el artículo de TechCrunch del 21 de octubre (fecha de lanzamiento, financiación, CEO, MoE 40B/2,5B). Wired no estaba accesible. Descarté noticias ya cubiertas, basadas en fuentes anónimas o con la fuente primaria inaccesible.
- Incertezze
- Todos los benchmarks son evaluaciones internas de Recursive, sin verificación independiente todavía: el 89,7 % en SWE-bench Pro v2, superior al 74,2 % en SWE-bench Verified, se presenta como dato declarado y sin comparaciones directas. Las fuentes no coinciden en tres puntos: la fecha (21 de octubre según TechCrunch, 23 en los metadatos de la página), la ventana de contexto (512K en el anuncio, 262.144 tokens en la ficha) y la velocidad en el MacBook (más de 125 tokens/s según la empresa, unos 131 según TechCrunch). Cuánto trabajo hizo de verdad la Eureka Machine frente a las personas es una afirmación de la empresa, no medible desde fuera.
- Perché pubblicarla
- Es un modelo de pesos abiertos con licencia permisiva, pensado para programar en local en un portátil, así que interesa directamente a los desarrolladores italianos por privacidad y costes. Además, la empresa afirma que el desarrollo lo automatizó en gran parte un sistema de investigación de IA, un tema central en el debate sobre la automejora de los modelos. El sitio aún no lo había tratado.