Flint від Recursive: нова MoE-модель для локального програмування
Recursive представила Flint (TechCrunch повідомляє про запуск 21 жовтня 2026 року, на офіційній сторінці вказано 23 жовтня 2026 року). Ця mixture-of-experts-модель розрахована на локальний запуск на таких пристроях, як MacBook Pro з чипами Apple M4 Pro і M5 Pro/Max або NVIDIA RTX Spark із 64 ГБ. Загалом вона має 40 мільярдів параметрів (39,8 мільярда за даними Hugging Face), на кожен токен активується близько 2,5 мільярда. Ваги опубліковано під ліцензією Apache 2.0 на Hugging Face (репозиторій RecursiveSI/flint), вони сумісні з llama.cpp, Ollama, Unsloth, LM Studio, vLLM і SGLang. Разом із моделлю компанія випустила легкий рушій інференсу «rec», оптимізований під чипи Apple M4 Pro і M5 Pro/Max.
За словами Recursive, на коротких контекстах Flint видає понад 125 токенів на секунду на MacBook Pro M4 Pro і понад 150 токенів на секунду на NVIDIA RTX Spark із 64 ГБ — за оцінкою компанії, це до двох разів швидше за аналогічні моделі. TechCrunch наводить близько 131 токена/с на MacBook, що узгоджується із заявленим. Контекстне вікно в анонсі вказано як 512 тис. токенів, а в картці Hugging Face — 262 144 токени.
Бенчмарки, опубліковані в картці на Hugging Face, показують у Flint 54,9 % у Terminal-Bench 2.1, 89,7 % у SWE-bench Pro v2 і 74,2 % у SWE-bench Verified. Це внутрішні оцінки Recursive, незалежними тестами їх поки не підтверджено. За даними тих самих авторів, квантована версія NVFP4 поступається 16-бітній моделі не більш ніж на 0,7 пункту. Recursive стверджує, що Flint — найкраща MoE-модель із загальною кількістю параметрів до 50 мільярдів у бенчмарках агентного програмування і що вона змагається з щільними моделями на 25–40 мільярдів, працюючи понад уп'ятеро швидше.
У Recursive кажуть, що Flint створила «невелика команда людей і агентів» менш ніж за чотири місяці, але скільки там людей, не уточнюють. За словами компанії, її автоматизована дослідницька система Eureka Machine долучилася майже до всіх частин роботи: архітектури, квантування, дистиляції, даних, навчання та ядер інференсу. Скільки вона зробила насправді порівняно з людьми, ззовні виміряти неможливо.
Перевони моделей із відкритими вагами зміщуються до локального запуску. За тиждень до цього Meta випустила Muse Spark Open (816 мільярдів параметрів, потрібно щонайменше 1 ТБ пам'яті). Flint іде у протилежний бік: маленька розріджена MoE для програмування офлайн без оплати за токени.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала офіційний анонс на recursive.com (параметри, ліцензія, швидкість, роль Eureka Machine, заявлені обмеження) та офіційну картку моделі на Hugging Face (ліцензія Apache 2.0, 39,8 млрд параметрів загалом і 2,5 млрд активних, контекст 262 144 токени, результати бенчмарків звірено з точним формулюванням). Незалежним підтвердженням стала стаття TechCrunch від 21 жовтня (дата запуску, фінансування, CEO, MoE 40B/2,5B). Wired був недоступний. Я відкинула вже висвітлені новини, новини з анонімними джерелами та ті, де першоджерело було недоступне.
- Incertezze
- Усі бенчмарки — внутрішні оцінки Recursive, незалежної перевірки поки немає: 89,7 % у SWE-bench Pro v2, більше за 74,2 % у SWE-bench Verified, подано як заявлені дані, без прямих порівнянь. Джерела розходяться у трьох пунктах: дата (21 жовтня у TechCrunch, 23 жовтня в метаданих сторінки), контекстне вікно (512 тис. в анонсі, 262 144 токени в картці) і швидкість на MacBook (понад 125 токенів/с за словами компанії, близько 131 за даними TechCrunch). Скільки роботи насправді виконала Eureka Machine порівняно з людьми — це твердження компанії, ззовні його не виміряти.
- Perché pubblicarla
- Це модель із відкритими вагами під вільною ліцензією, створена для локального програмування на ноутбуці, тож вона безпосередньо цікава італійським розробникам з погляду приватності й витрат. Крім того, компанія заявляє, що розробку здебільшого автоматизувала дослідницька ШІ-система, а це центральна тема дискусії про самовдосконалення моделей. На сайті про це ще не писали.