Flint v1.0 vs Qwen3.8 27B : le modèle Recursive s'est lui-même comparé à

Recursive a publié une phrase dans ses supports de lancement de Recursive Flint v1.0 que la plupart des articles ont laissée de côté : selon la moyenne des six tests établie par l’entreprise elle-même, seul Qwen3.8 27B a obtenu un meilleur score que Flint. Il est rare qu’un fournisseur écrive cela le jour du lancement. C’est aussi la phrase la plus utile du communiqué, car elle indique quelle comparaison aller vérifier. Qwen3.8 27B est un modèle dense à poids ouverts, publié le 14 août 2026 sous licence Apache 2.0, et c’est le seul modèle de l’ensemble de comparaison de Recursive à avoir surpassé Flint sur l’agrégat construit par le fournisseur lui-même. La question intéressante n’est donc pas de savoir si Flint est bon. Elle est de savoir où, exactement, Qwen3.8 27B est meilleur, et si l’écart résiste à l’examen des harnais concernés.

Lisez la revendication de classe avant de lire le score.

La revendication phare de Flint est soigneusement circonscrite : Flint devance les modèles mixture-of-experts de moins de 50 milliards de paramètres au total sur SWE-bench Pro v2, Terminal-Bench 2.1 et SWE-bench Verified. Qwen3.8 27B n’est pas un modèle mixture-of-experts. Il est dense — 27 milliards de paramètres, tous actifs pour chaque token, 28 milliards en comptant l’encodeur visuel, 64 couches pour une dimension cachée de 5 120. Il se situe donc par construction hors de la catégorie de comparaison de Flint, et Recursive était libre de l’exclure totalement de la revendication.

Il vaut la peine d’être précis sur ce que « dense » coûte et apporte. Chacun des 27 milliards de paramètres de Qwen participe à chaque token, c’est pourquoi il a besoin d’environ 55,6 Go en BF16 et d’un vrai GPU, et pourquoi son empreinte d’activation est environ onze fois celle de Flint. C’est aussi pourquoi un modèle dense de 27 B peut surpasser en précision un modèle sparse à 2,5 B de paramètres actifs : il effectue davantage de calculs arithmétiques par token, et il vous le fait payer.

Terminal-Bench 2.1 : l’écart de dix-huit points

C'est la comparaison la plus nette dont on dispose, car les deux laboratoires rapportent la même version du benchmark, et l'écart est suffisamment important pour qu'il soit peu probable que le bruit du harnais explique tout cela.

• Flint — 54,9 % sur Terminal-Bench 2.1, exécuté sur le harnais Terminus 2 avec Internet activé, mais toute solution obtenue par recherche sur le Web étant considérée comme un échec.

• Qwen3.8 27B — 73,0 % sur Terminal-Bench 2.1, selon la fiche modèle d'Alibaba.

Cela représente un écart de 18,1 points en faveur de Qwen, sur le benchmark qui ressemble le plus au travail agentique en terminal — ce qui correspond précisément à la tâche pour laquelle les deux modèles sont vendus. Deux réserves jouent en sens opposés et doivent toutes deux être formulées.

Le premier favorise Flint. Recursive a appliqué un handicap que ses pairs n'ont peut-être pas appliqué : si l'agent trouvait la réponse sur le web, Recursive la comptait comme fausse. Un modèle autorisé à rechercher et à citer obtiendrait un meilleur score sur le même protocole d'évaluation. On ignore dans quelle mesure, et Recursive ne publie pas le chiffre sans handicap.

Le second contredit toute lecture limpide. Un tiers, PrismML, a évalué Qwen3.8 27B à 69,7 sur Terminal-Bench 2.1, plutôt qu'à 73,0 selon Alibaba. Un désaccord de 3,3 points sur le même modèle et le même benchmark constitue un repère utile : il vous indique que les écarts de quelques points dans ce tableau relèvent du bruit, et qu'un écart de 18 points ne l'est probablement pas.

Même en retenant le chiffre inférieur de Qwen, 69,7 contre 54,9 laisse 14,8 points. La direction ne fait aucun doute.

LiveCodeBench v6 : un second écart, sur un benchmark plus propre

La programmation compétitive est le benchmark le moins sensible au harnais parmi ceux que rapportent les deux laboratoires, car le modèle reçoit un problème, produit du code et un juge l’exécute. Il n’y a pas de boucle d’agent qui pourrait différer.

• Flint — 80,3 % sur LiveCodeBench v6.

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

C'est un écart de 10 points, et c'est celui que je pondérerais le plus fortement, précisément parce que c'est le plus difficile à justifier. Le 80,3 de Flint est un chiffre respectable pour un modèle qui active 2,5 milliards de paramètres. Le 90,3 de Qwen est un chiffre solide pour un modèle qui active 27 milliards. Ni l'un ni l'autre n'est surprenant. Le point, c'est que l'avantage d'efficacité que Flint vend ne vient pas gratuitement, et c'est sur ce benchmark que le prix se voit.

Le benchmark qui ressemble à une victoire de Flint et qui n’en est pas une

C'est ici que la plupart des pages de comparaison se trompent, et cela vaut la peine de s'y attarder.

Flint annonce 89,7 % sur SWE-bench Pro v2. Qwen3.8 27B annonce 61,7 % sur SWE-bench Pro. Lu rapidement, cela ressemble à une victoire de Flint de 28 points. Ce n'est pas du tout une comparaison. Le « v2 » est un benchmark différent de celui rapporté par Alibaba, avec un ensemble de tâches et un protocole d'évaluation différents, et les deux chiffres ne peuvent pas être soustraits. Toute page qui les place dans des colonnes adjacentes et déclare un vainqueur vous dit quelque chose sur son auteur, pas sur les modèles.

Le même piège se trouve une ligne plus bas. Flint rapporte 74,2 % sur SWE-bench Verified. Qwen3.8 27B ne publie pas de score SWE-bench Verified — la fiche d'Alibaba rapporte SWE-bench Pro, QwenSWEBench à 79,0, DeepSWE 1.1 à 42,2, Terminal-Bench 2.1 à 73,0, LiveCodeBench v6 à 90,3 et NL2Repo-Bench à 42,3. Il n'y a aucun chiffre Verified auquel se comparer. Les chiffres qui circulent pour Qwen3.8 27B sur Verified sont soit hérités d'un modèle antérieur de la famille, soit tirés d'une source secondaire qui contredit la fiche du modèle sur plusieurs autres benchmarks à la fois. Considérez-les comme non vérifiés.

Une réserve supplémentaire du côté d’Alibaba : ses exécutions de SWE-bench Pro et QwenSWEBench ont utilisé un harnais d’agent externe plutôt qu’un modèle brut, de sorte que même les comparaisons avec le chiffre SWE-bench Pro d’un autre laboratoire sont fragiles. Cela n’est pas propre à Alibaba. C’est le cas des benchmarks de codage agentique en général, et c’est pourquoi les lignes Terminal-Bench et LiveCodeBench pèsent davantage ici que les lignes SWE-bench.

Là où Flint gagne, et ce n’est pas serré.

L'exactitude n'est pas le seul axe, et sur les autres, l'ordre s'inverse nettement.

• Mémoire — Flint tourne dans environ 24 Go, avec une build NVFP4 de 22,86 Go sur disque. Qwen3.8 27B nécessite environ 55,6 Go en BF16. L'un tient sur un ordinateur portable haut de gamme ou une seule carte grand public ; l'autre exige une véritable allocation de GPU.

• Calcul actif par token — Flint active environ 2,5 milliards de paramètres. Qwen active la totalité des 27 milliards. Ce ratio est la raison de l’écart de vitesse et la raison pour laquelle Flint coûte moins cher à servir à grande échelle.

• Vitesse — Recursive revendique plus de 125 tokens par seconde sur un MacBook Pro M4 Pro et plus de 150 sur un RTX Spark de 64 Go en contexte court. Un modèle dense de 27B sur le même ordinateur portable n’est pas dans cette plage. Qwen3.8 27B serait également lent en local et inhabituellement gourmand en tokens — Artificial Analysis a mesuré environ 160 millions de tokens de sortie sur l’ensemble de ses tests d’index, ce qui constitue un multiplicateur de coût dans toute boucle d’agent.

• Contexte — les deux affichent nativement 262 144 tokens, et Qwen étend jusqu’à 1 000 000 avec le scaling YaRN. L’annonce de Flint mentionne jusqu’à 512K. Sur le papier, cela se vaut à la fenêtre native ; en pratique, le débit de Flint en contexte long est le point faible, des tests indépendants faisant état d’une chute à environ 9 tokens par seconde vers 115 000 tokens.

• Multimodalité — Qwen3.8 27B accepte les images et la vidéo ainsi que le texte, avec une architecture d'attention hybride composée de 48 couches d'attention linéaire Gated DeltaNet pour 16 couches d'attention complète, dans un rapport de 3:1, ce qui permet de servir une fenêtre de 262K à un coût abordable. Flint est uniquement textuel.

Ce que vous choisissez réellement

Si l’objectif est une précision de codage maximale et que vous disposez du matériel, Qwen3.8 27B est le modèle le plus performant sur chaque benchmark où les deux peuvent être comparés proprement. C’est aussi ce que dit la moyenne des six tests de Recursive lui-même.

• Si le modèle doit tourner sur un ordinateur portable, rester hors ligne, conserver le code source sur la machine, ou servir un volume suffisant pour que les paramètres actifs dominent la facture, Flint l’emporte sur l’axe qui décide du déploiement. Un modèle à 2,5 B de paramètres actifs à 125 jetons par seconde est un produit différent d’un modèle dense de 27 B qui nécessite un nœud GPU.

• Si vous voulez les deux, ils se combinent bien : le modèle local pour le travail courant et sensible, le modèle hébergé pour les tâches difficiles. C’est cette répartition que la plupart des équipes finissent par adopter, et c’est là que la couche de routage cesse d’être un détail.

Qwen3.8 27B est le seul modèle de cette comparaison qu'OrcaRouter sert directement — l'identifiant est qwen/qwen3.8-27b dans notre liste de modèles en direct, et il accepte le texte, les images et la vidéo avec la fenêtre complète de 262 144 positions. Comme le prix catalogue du fournisseur est répercuté sans aucune marge ajoutée, une variation de prix côté Alibaba est effective chez nous le jour même, et non au prochain renouvellement. OrcaRouter ne sert pas Flint ; celui-là est un téléchargement. L'hybride ci-dessus est donc véritablement hybride : un accès à un modèle hébergé de classe frontière, et un fichier local pour tout ce qui ne doit pas quitter la machine.

L'expérience que personne n'a jamais menée

Chaque chiffre de cet article provient d'un laboratoire qui mesure son propre modèle, à une exception près — le désaccord de 3,3 points entre PrismML et Alibaba sur Terminal-Bench, seul indice disponible sur l'ampleur de la variation de ces chiffres lorsque quelqu'un d'autre tient le chronomètre.

Ce qui trancherait la question est simple et ne s’est pas produit : les deux modèles, un même harnais, un même jeu de tâches, une même machine, des traces publiées. D’ici là, la position défendable est la plus étroite. Sur les benchmarks que les deux laboratoires rapportent honnêtement, Qwen3.8 27B est le codeur le plus précis. Sur les axes de déploiement qui déterminent si un modèle peut seulement fonctionner, Flint est le plus efficace. Recursive l’a dit en premier, dans son propre billet de lancement, et c’est la chose la plus fiable de toute la publication.