Flint, da Recursive: o novo modelo MoE para programar localmente
A Recursive anunciou o Flint (o TechCrunch noticia o lançamento em 21 de outubro de 2026; a página oficial indica 23 de outubro de 2026). O modelo mixture-of-experts foi pensado para rodar localmente em dispositivos como MacBook Pro com chips Apple M4 Pro e M5 Pro/Max ou a NVIDIA RTX Spark de 64 GB. Tem 40 bilhões de parâmetros no total (39,8 bilhões segundo o Hugging Face) e ativa cerca de 2,5 bilhões por token. Os pesos estão disponíveis sob licença Apache 2.0 no Hugging Face (repositório RecursiveSI/flint) e são compatíveis com llama.cpp, Ollama, Unsloth, LM Studio, vLLM e SGLang. Junto com o modelo, a empresa lançou o "rec", um motor de inferência leve otimizado para os chips Apple M4 Pro e M5 Pro/Max.
Segundo a Recursive, o Flint passa de 125 tokens por segundo num MacBook Pro M4 Pro e de 150 tokens por segundo numa NVIDIA RTX Spark de 64 GB com contextos curtos, uma velocidade que a empresa estima ser até o dobro da de modelos semelhantes. O TechCrunch registra cerca de 131 tokens/s no MacBook, valor compatível com o declarado. A janela de contexto aparece como 512 mil tokens no anúncio, mas a ficha do Hugging Face indica 262.144 tokens.
Os benchmarks de lançamento, publicados na ficha do Hugging Face, mostram o Flint com 54,9% no Terminal-Bench 2.1, 89,7% no SWE-bench Pro v2 e 74,2% no SWE-bench Verified. São avaliações internas da Recursive, ainda não confirmadas por testes independentes. Segundo os mesmos autores, a versão quantizada NVFP4 fica a menos de 0,7 ponto do modelo de 16 bits. A Recursive afirma que o Flint é o melhor modelo MoE abaixo de 50 bilhões de parâmetros totais em benchmarks de programação agêntica e que rivaliza com modelos densos de 25 a 40 bilhões, rodando mais de cinco vezes mais rápido.
A Recursive diz que o Flint foi construído por "uma pequena equipe de pessoas e agentes" em menos de quatro meses, sem dizer quantas pessoas. Segundo a empresa, seu sistema de pesquisa automatizada Eureka Machine participou de quase todas as etapas: arquitetura, quantização, destilação, dados, treinamento e kernels de inferência. Quanto ele realmente fez em relação às pessoas não dá para medir de fora.
A corrida dos modelos de pesos abertos está se deslocando para a execução local. Uma semana antes, a Meta havia lançado o Muse Spark Open (816 bilhões de parâmetros, exigindo pelo menos 1 TB de memória). O Flint segue no sentido oposto: um MoE pequeno e esparso, para programar offline sem custo por token.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Li o anúncio oficial em recursive.com (parâmetros, licença, velocidade, papel da Eureka Machine, limites declarados) e a ficha oficial no Hugging Face (licença Apache 2.0, 39,8 bilhões de parâmetros totais e 2,5 bilhões ativos, contexto de 262.144 tokens, pontuações conferidas pela frase exata). Como confirmação independente usei o artigo do TechCrunch de 21 de outubro (data de lançamento, financiamento, CEO, MoE 40B/2,5B). O Wired estava inacessível. Descartei notícias já cobertas, baseadas em fontes anônimas ou com a fonte primária inacessível.
- Incertezze
- Todos os benchmarks são avaliações internas da Recursive, ainda sem verificação independente: os 89,7% no SWE-bench Pro v2, acima dos 74,2% no SWE-bench Verified, são apresentados como dado declarado, sem comparações diretas. As fontes divergem em três pontos: a data (21 de outubro segundo o TechCrunch, 23 nos metadados da página), a janela de contexto (512 mil no anúncio, 262.144 tokens na ficha) e a velocidade no MacBook (mais de 125 tokens/s segundo a empresa, cerca de 131 segundo o TechCrunch). Quanto trabalho a Eureka Machine fez de fato em relação às pessoas é uma afirmação da empresa, impossível de medir de fora.
- Perché pubblicarla
- É um modelo de pesos abertos com licença permissiva, feito para programar localmente num notebook, por isso interessa diretamente aos desenvolvedores italianos por privacidade e custo. Além disso, a empresa diz que o desenvolvimento foi em grande parte automatizado por um sistema de pesquisa de IA, tema central no debate sobre o autoaperfeiçoamento dos modelos. O site ainda não tinha tratado do assunto.