Flint van Recursive: het nieuwe MoE-model om lokaal te programmeren
Recursive heeft Flint aangekondigd (volgens TechCrunch was de lancering op 21 oktober 2026; de officiële pagina noemt 23 oktober 2026). Het mixture-of-experts-model is bedoeld om lokaal te draaien op apparaten als MacBook Pro's met Apple M4 Pro- en M5 Pro/Max-chips of de NVIDIA RTX Spark met 64 GB. Het telt in totaal 40 miljard parameters (39,8 miljard volgens Hugging Face) en activeert per token zo'n 2,5 miljard. De gewichten staan onder de Apache 2.0-licentie op Hugging Face (repo RecursiveSI/flint) en werken met llama.cpp, Ollama, Unsloth, LM Studio, vLLM en SGLang. Daarnaast levert het bedrijf ‘rec’, een lichte inferentie-engine die geoptimaliseerd is voor Apple M4 Pro- en M5 Pro/Max-chips.
Volgens Recursive haalt Flint bij korte contexten meer dan 125 tokens per seconde op een MacBook Pro M4 Pro en meer dan 150 tokens per seconde op een NVIDIA RTX Spark van 64 GB, een snelheid die volgens het bedrijf tot twee keer hoger ligt dan bij vergelijkbare modellen. TechCrunch meldt ongeveer 131 tokens/s op de MacBook, wat strookt met de opgegeven waarde. Het contextvenster staat in de aankondiging op 512k tokens, maar de Hugging Face-modelkaart vermeldt 262.144 tokens.
De releasebenchmarks op de Hugging Face-kaart tonen Flint op 54,9% bij Terminal-Bench 2.1, 89,7% bij SWE-bench Pro v2 en 74,2% bij SWE-bench Verified. Het gaat om interne evaluaties van Recursive die nog niet door onafhankelijke tests zijn bevestigd. Volgens dezelfde makers blijft de gekwantiseerde NVFP4-versie binnen 0,7 punt van het 16-bitmodel. Recursive stelt dat Flint het beste MoE-model onder de 50 miljard parameters in totaal is op benchmarks voor agentisch programmeren, en dat het kan wedijveren met dense modellen van 25 tot 40 miljard parameters terwijl het meer dan vijf keer zo snel draait.
Recursive zegt dat Flint is gebouwd door ‘een klein team van mensen en agents’ in minder dan vier maanden, zonder te zeggen hoeveel mensen. Volgens het bedrijf droeg zijn geautomatiseerde onderzoekssysteem Eureka Machine bij aan bijna elk onderdeel van het werk: architectuur, kwantisatie, distillatie, data, training en inferentiekernels. Hoeveel het echt deed in vergelijking met de mensen, valt van buitenaf niet te meten.
De race om open-weight-modellen verschuift naar lokale uitvoering. Een week eerder had Meta Muse Spark Open uitgebracht (816 miljard parameters, minstens 1 TB geheugen nodig). Flint gaat de andere kant op: een klein, spaarzaam MoE om offline te programmeren zonder kosten per token.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Ik heb de officiële aankondiging op recursive.com gelezen (parameters, licentie, snelheid, rol van de Eureka Machine, genoemde beperkingen) en de officiële modelkaart op Hugging Face (Apache 2.0-licentie, 39,8 miljard parameters in totaal en 2,5 miljard actief, context van 262.144 tokens, benchmarkscores nagekeken aan de exacte formulering). Als onafhankelijke bevestiging gebruikte ik het TechCrunch-artikel van 21 oktober (lanceringsdatum, financiering, CEO, MoE 40B/2,5B). Wired was niet bereikbaar. Ik heb nieuws laten vallen dat al behandeld was, dat op anonieme bronnen leunde of waarvan de primaire bron ontoegankelijk was.
- Incertezze
- Alle benchmarks zijn interne evaluaties van Recursive, nog zonder onafhankelijke controle: de 89,7% op SWE-bench Pro v2, hoger dan de 74,2% op SWE-bench Verified, wordt als opgegeven cijfer vermeld, zonder directe vergelijkingen. De bronnen verschillen op drie punten: de datum (21 oktober volgens TechCrunch, 23 oktober in de metadata van de pagina), het contextvenster (512k in de aankondiging, 262.144 tokens op de kaart) en de snelheid op de MacBook (meer dan 125 tokens/s volgens het bedrijf, ongeveer 131 volgens TechCrunch). Hoeveel werk de Eureka Machine echt deed vergeleken met mensen is een bewering van het bedrijf en van buitenaf niet meetbaar.
- Perché pubblicarla
- Het is een open-weight-model met een ruime licentie, gemaakt om lokaal op een laptop te programmeren, en dus vanwege privacy en kosten direct relevant voor Italiaanse ontwikkelaars. Bovendien zegt het bedrijf dat de ontwikkeling grotendeels werd geautomatiseerd door een AI-onderzoekssysteem, een kernthema in het debat over zelfverbetering van modellen. De site had het nog niet behandeld.