Flint v1.0 vs. Qwen3.8 27B: Das Modell Recursive hat sich selbst daran gemessen

Recursive veröffentlichte einen Satz in seinem Recursive Flint v1.0 Launch-Material, den die meisten Berichte ausließen: Im unternehmenseigenen Durchschnitt aus sechs Tests erzielte nur Qwen3.8 27B einen höheren Wert als Flint. Das ist ungewöhnlich für einen Anbieter, so etwas am Launch-Tag zu drucken. Es ist zugleich der nützlichste Satz in der Mitteilung, denn er sagt Ihnen, welchen Vergleich Sie nachprüfen sollten. Qwen3.8 27B ist ein Dense-Modell mit offenen Gewichten, veröffentlicht am 14. August 2026 unter Apache 2.0, und das einzige Modell in Recursives Vergleichsset, das Flint bei der vom Anbieter selbst konstruierten Gesamtkennzahl übertraf. Die interessante Frage ist also nicht, ob Flint gut ist. Sie lautet, wo genau Qwen3.8 27B besser ist und ob der Abstand einer Prüfung der beteiligten Testumgebungen standhält.

Lies die Klassenangabe, bevor du die Punktzahl liest.

Flints zentrale Behauptung ist sorgfältig eingegrenzt: Sie führt Mixture-of-Experts-Modelle mit insgesamt unter 50 Milliarden Parametern bei SWE-bench Pro v2, Terminal-Bench 2.1 und SWE-bench Verified an. Qwen3.8 27B ist kein Mixture-of-Experts-Modell. Es ist dicht – 27 Milliarden Parameter, alle bei jedem Token aktiv, 28 Milliarden einschließlich des Vision-Encoders, 64 Schichten mit einer Hidden-Size von 5.120. Damit fällt es konstruktionsbedingt aus Flints Vergleichsklasse heraus, und Recursive konnte es ohne Weiteres vollständig aus der Behauptung herauslassen.

Es lohnt sich, genau zu sein, was „dense“ kostet und was es bringt. Jeder einzelne der 27 Milliarden Parameter von Qwen ist an jedem Token beteiligt, weshalb es etwa 55,6 GB in BF16 und eine echte GPU benötigt und weshalb sein Activation-Footprint rund elfmal so groß ist wie der von Flint. Das ist auch der Grund, warum ein denses 27B-Modell bei der Genauigkeit ein Sparse-Modell mit 2,5B aktiven Parametern übertreffen kann: Es rechnet pro Token mehr und lässt sich das von Ihnen bezahlen.

Terminal-Bench 2.1: die Achtzehn-Punkte-Lücke

Dies ist der sauberste verfügbare Vergleich, denn beide Labore berichten dieselbe Benchmark-Version, und der Abstand ist groß genug, dass Rauschen der Testumgebung ihn kaum vollständig erklären dürfte.

• Flint — 54,9 % auf Terminal-Bench 2.1, ausgeführt auf dem Terminus-2-Harness mit aktiviertem Internet, wobei jede durch Webabruf erlangte Lösung als Fehler gewertet wurde.

• Qwen3.8 27B — 73,0 % bei Terminal-Bench 2.1, laut Alibabas Model Card.

Das ist ein Vorsprung von 18,1 Punkten zugunsten von Qwen – im Benchmark, der agentische Terminalarbeit am engsten abbildet, also genau die Aufgabe, für die beide Modelle verkauft werden. Zwei Einschränkungen wirken in entgegengesetzte Richtungen, und beide müssen genannt werden.

Der erste spricht für Flint. Recursive wandte ein Handicap an, das vergleichbare Anbieter möglicherweise nicht angewandt haben: Wenn der Agent die Antwort im Web fand, wertete Recursive sie als falsch. Ein Modell, dem erlaubt wäre, zu suchen und zu zitieren, würde in derselben Testumgebung besser abschneiden. Um wie viel besser es abschneiden würde, ist unbekannt, und Recursive veröffentlicht die Zahl ohne Handicap nicht.

Der zweite Punkt spricht gegen jede eindeutige Lesart. Ein Drittanbieter, PrismML, bewertete Qwen3.8 27B auf Terminal-Bench 2.1 mit 69,7 statt mit Alibabas 73,0. Eine Abweichung von 3,3 Punkten beim selben Modell und Benchmark ist eine nützliche Kalibrierung: Sie zeigt, dass Abstände von ein paar Punkten in dieser Tabelle Rauschen sind und dass ein Abstand von 18 Punkten es wahrscheinlich nicht ist.

Selbst wenn man den niedrigeren Qwen-Wert zugrunde legt, bleiben bei 69,7 gegenüber 54,9 noch 14,8 Punkte. Die Richtung steht außer Zweifel.

LiveCodeBench v6: eine zweite Lücke, auf einem saubereren Benchmark

Competitive Programming ist der am wenigsten harness-empfindliche der Benchmarks, die beide Labore berichten, weil das Modell eine Aufgabe erhält, Code erzeugt und ein Judge ihn ausführt. Es gibt keine Agentenschleife, in der sie sich unterscheiden könnten.

• Flint — 80,3 % bei LiveCodeBench v6.

• Qwen3.8 27B — 90,3 % bei LiveCodeBench v6.

Das ist eine Lücke von 10 Punkten, und sie ist diejenige, die ich am stärksten gewichten würde, gerade weil sie am schwersten wegzuerklären ist. Flints 80,3 ist eine respektable Zahl für ein Modell, das 2,5 Milliarden Parameter aktiviert. Qwens 90,3 ist eine starke Zahl für ein Modell, das 27 Milliarden aktiviert. Keine der beiden ist überraschend. Der Punkt ist, dass der Effizienzvorteil, den Flint verkauft, nicht umsonst zu haben ist, und dieser Benchmark ist der Ort, an dem der Preis sichtbar wird.

Der Benchmark, der wie ein Flint-Sieg aussieht und keiner ist

Hier gehen die meisten Vergleichsseiten schief – und es lohnt sich, dafür einen Moment innezuhalten.

Flint meldet 89,7 % auf SWE-bench Pro v2. Qwen3.8 27B meldet 61,7 % auf SWE-bench Pro. Schnell gelesen sieht das nach einem 28-Punkte-Sieg für Flint aus. Es ist überhaupt kein Vergleich. Das „v2“ ist ein anderer Benchmark als der, den Alibaba meldet, mit einem anderen Aufgabensatz und einem anderen Evaluierungsprotokoll, und die beiden Zahlen lassen sich nicht voneinander subtrahieren. Jede Seite, die sie in benachbarte Spalten stellt und einen Sieger erklärt, verrät etwas über ihren Autor, nicht über die Modelle.

Dieselbe Falle lauert eine Zeile darunter. Flint meldet 74,2 % bei SWE-bench Verified. Qwen3.8 27B veröffentlicht keinen SWE-bench-Verified-Wert — Alibabas Model Card nennt SWE-bench Pro, QwenSWEBench mit 79,0, DeepSWE 1.1 mit 42,2, Terminal-Bench 2.1 mit 73,0, LiveCodeBench v6 mit 90,3 und NL2Repo-Bench mit 42,3. Es gibt keinen Verified-Wert, gegen den man vergleichen könnte. Zahlen, die für Qwen3.8 27B bei Verified kursieren, stammen entweder von einem früheren Modell aus der Familie oder aus einer Sekundärquelle, die der Model Card bei mehreren anderen Benchmarks gleichzeitig widerspricht. Behandeln Sie sie als unbestätigt.

Eine weitere Einschränkung auf Alibabas Seite: Seine Läufe zu SWE-bench Pro und QwenSWEBench nutzten ein externes Agent-Harness statt eines nackten Modells, sodass selbst Vergleiche mit dem SWE-bench-Pro-Wert eines anderen Labors wackelig sind. Das ist kein Alleinstellungsmerkmal Alibabas. Es ist der allgemeine Zustand agentischer Coding-Benchmarks, und deshalb haben die Terminal-Bench- und LiveCodeBench-Zeilen hier mehr Gewicht als die SWE-bench-Zeilen.

Wo Flint gewinnt – und das nicht knapp.

Genauigkeit ist nicht die einzige Achse, und auf den anderen kehrt sich die Reihenfolge deutlich um.

• Speicher — Flint läuft in etwa 24 GB, mit einem 22,86 GB großen NVFP4-Build auf der Festplatte. Qwen3.8 27B benötigt etwa 55,6 GB in BF16. Einer passt auf ein High-End-Notebook oder eine einzelne Consumer-Karte; der andere benötigt eine echte GPU-Zuweisung.

• Aktive Rechenleistung pro Token – Flint aktiviert etwa 2,5 Milliarden Parameter. Qwen aktiviert alle 27 Milliarden. Dieses Verhältnis ist der Grund für die Geschwindigkeitslücke und dafür, dass Flint bei hohem Volumen günstiger bereitzustellen ist.

• Geschwindigkeit — Recursive gibt an, bei kurzem Kontext über 125 Token pro Sekunde auf einem M4 Pro MacBook Pro und mehr als 150 auf einem 64 GB RTX Spark zu erreichen. Ein dichtes 27B-Modell liegt auf demselben Laptop nicht in diesem Bereich. Qwen3.8 27B soll lokal ebenfalls langsam und ungewöhnlich tokenhungrig sein — Artificial Analysis hat bei seinen Index-Tests rund 160 Millionen Ausgabe-Token gemessen, was in jeder Agent-Schleife einen Kostenmultiplikator darstellt.

• Kontext — beide verarbeiten nativ 262.144 Token, und Qwen erweitert mit YaRN-Skalierung auf 1.000.000. Flints Ankündigung nennt bis zu 512K. Auf dem Papier ist das beim nativen Fenster ein Unentschieden; in der Praxis ist Flints Durchsatz bei langem Kontext die schwächere Seite, wobei unabhängige Tests einen Rückgang auf etwa 9 Token pro Sekunde bei nahezu 115.000 Token berichten.

• Multimodalität – Qwen3.8 27B akzeptiert neben Text auch Bilder und Videos, mit einem hybriden Attention-Aufbau aus 48 linearen Gated-DeltaNet-Attention-Schichten zu 16 Full-Attention-Schichten im Verhältnis 3:1, was ein 262K-Fenster überhaupt erst wirtschaftlich bedienbar macht. Flint verarbeitet ausschließlich Text.

Was du tatsächlich wählst

• Wenn maximale Programmiergenauigkeit das Ziel ist und die Hardware vorhanden ist, ist Qwen3.8 27B das stärkere Modell in jedem Benchmark, bei dem die beiden sauber verglichen werden können. Das entspricht auch dem, was der eigene Sechs-Test-Durchschnitt von Recursive aussagt.

• Wenn das Modell auf einem Laptop laufen muss, offline bleiben soll, der Quellcode auf dem Rechner bleiben muss oder genug Volumen bedienen muss, dass aktive Parameter die Kosten dominieren, gewinnt Flint bei dem Kriterium, das die Bereitstellung entscheidet. Ein Modell mit 2,5B aktiven Parametern bei 125 Tokens pro Sekunde ist ein anderes Produkt als ein dichtes 27B-Modell, das einen GPU-Knoten benötigt.

• Wenn Sie beides wollen, lassen sie sich gut kombinieren: das lokale Modell für Routineaufgaben und sensible Arbeit, das gehostete Modell für die schwierigen Aufgaben. Diese Aufteilung ist die, bei der die meisten Teams landen, und genau hier ist die Routing-Schicht kein Detail mehr.

Qwen3.8 27B ist das einzige Modell in diesem Vergleich, das OrcaRouter direkt bereitstellt – die Kennung lautet qwen/qwen3.8-27b in unserer Live-Modellliste, und es akzeptiert Text, Bilder und Video mit dem vollständigen Fenster von 262.144 Positionen. Da der Listenpreis des Anbieters ohne Aufschlag weitergegeben wird, ist eine Preisänderung auf Seiten Alibabas noch am selben Tag bei uns live und nicht erst zur nächsten Verlängerung. OrcaRouter stellt Flint nicht bereit; dieses Modell ist ein Download. Die oben beschriebene Hybridlösung ist also tatsächlich hybrid: ein Weg zu einem gehosteten Modell der Spitzenklasse und eine lokale Datei für alles, was den Rechner nicht verlassen darf.

Das Experiment, das niemand durchgeführt hat

Jede Zahl in diesem Artikel stammt aus einem Labor, das sein eigenes Modell gemessen hat – mit einer Ausnahme: die 3,3-Punkte-Abweichung zwischen PrismML und Alibaba bei Terminal-Bench, der einzige verfügbare Hinweis darauf, wie stark sich diese Werte verschieben, wenn jemand anderes die Stoppuhr hält.

Was das klären würde, ist unkompliziert und ist nicht geschehen: beide Modelle, ein Harness, ein Aufgabensatz, eine Maschine, veröffentlichte Traces. Bis dahin ist die verteidigungsfähige Position die eng gefasste. Bei den Benchmarks, über die beide Labore ehrlich berichten, ist Qwen3.8 27B der genauere Coder. Auf den Deployment-Achsen, die entscheiden, ob ein Modell überhaupt laufen kann, ist Flint der effizientere. Recursive hat es zuerst gesagt, in seinem eigenen Launch-Post, und das ist das Vertrauenswürdigste an der gesamten Veröffentlichung.