Recursive Flint v1.0: Model Coding 40B yang Sebagian Besar Dibangun oleh Loop Risetnya Sendiri

Kalimat paling menarik dalam rilis Recursive Flint v1.0 bukanlah skor benchmark. Kalimat itu adalah yang di dalamnya Recursive mengatakan bahwa tim kecil membangun model coding 40 miliar parameter dari nol dalam waktu kurang dari empat bulan, dengan sistem riset otomatis bernama Eureka Machine berkontribusi pada hampir setiap tahap. Flint diumumkan sebagai model coding lokal yang kuat — total 39,8 miliar parameter, sekitar 2,5 miliar aktif per token, Apache 2.0, nyaman di laptop. Namun rilis ini juga merupakan uji publik pertama atas proposisi yang berbeda: bahwa proses membangun sebuah model itu sendiri dapat sebagian besar diotomatiskan. Kedua pembacaan itu ada dalam pengumuman. Hanya satu di antaranya yang dapat Anda reproduksi.

Flint dirilis pada 21 Oktober 2026 di bawah lisensi Apache 2.0, dengan bobot tersedia di Hugging Face sebagai RecursiveSI/flint. Ini adalah model pertama dari Recursive, laboratorium yang didirikan oleh mantan kepala ilmuwan Salesforce Richard Socher, dan model ini hadir empat hari lalu — cukup baru sehingga hampir belum ada yang diuji dari model ini di luar laboratorium yang membuatnya.

Apa yang sebenarnya dirilis oleh Recursive

Empat repositori, bukan satu. Repositori checkpoint utama berisi bobot BF16, konfigurasi, tokenizer, templat chat, dan kit penyajian SGLang, serta dibuat pada 21 Oktober 2026 pukul 14.20 UTC. Tiga build terkuantisasi berada di sampingnya, semuanya diberi stempel pada sore yang sama: build safetensors int4, GGUF int4, dan GGUF NVFP4. Ukuran di bawah ini berasal dari daftar file repositori itu sendiri, bukan dari pengumuman.

• Referensi BF16 — 79,59 GB di 37 file. Ini adalah file yang Anda gunakan jika memiliki H200 atau B300 dan menginginkan model tanpa pengenceran.

• NVFP4 GGUF — 22.86 GB. Ini adalah build yang membuat klaim "berjalan di laptop" menjadi harfiah, dan inilah yang paling banyak orang akan benar-benar unduh.

• int4 GGUF — 25,99 GB, yang lebih besar daripada file NVFP4 meskipun lebar bit-nya secara nominal serupa. Jika Anda memilih antara keduanya hanya berdasarkan ruang disk, NVFP4 yang menang.

• int4 safetensors — 22,58 GB, untuk stack penyajian yang menginginkan checkpoint safetensors alih-alih GGUF.

Recursive mengklaim bahwa pelatihan bit rendah miliknya sendiri dan head keluaran 4-bit, yang didistilasi kembali ke arah model 16-bit, berada dalam 0,7 poin dari presisi penuh. Angka itu milik Recursive, diukur dalam evaluasi Recursive. Ukuran filenya tidak demikian: siapa pun dapat membacanya langsung dari repositori.

Keempat angka tersebut, dan apa yang diukur oleh masing-masing angka itu

Recursive menerbitkan serangkaian skor bersamaan dengan rilisnya, dan satu hal terpenting yang perlu dipahami tentang skor tersebut adalah bahwa semuanya dihasilkan di dalam harness milik Recursive sendiri. Tidak ada pihak ketiga yang menjalankan ulang satu pun dari skor itu. Indeks Artificial Analysis — wasit independen yang biasa digunakan untuk model seperti ini — tidak memiliki entri Flint sama sekali.

• SWE-bench Verified — 74,2%. Benchmark yang paling dikenali banyak pembaca, mengukur apakah sebuah model dapat menyelesaikan issue GitHub nyata. Recursive menjalankannya melalui mini-swe-agent tanpa akses internet sama sekali, dengan merata-ratakan pass@1 selama setidaknya lima percobaan, pada temperature 1.0, top-p 0.95, top-k 20.

• SWE-bench Pro v2 — 89,7%. Perhatikan "v2". Ini bukan benchmark yang sama dengan SWE-bench Pro yang diterbitkan lab lain, dan kedua angka tersebut tidak dapat dikurangkan satu sama lain. Perbedaan ini lebih penting daripada kelihatannya, dan hal ini muncul kembali setiap kali Flint dibandingkan dengan model yang melaporkan SWE-bench Pro biasa.

• Terminal-Bench 2.1 — 54.9%. Di sini Recursive melakukan sesuatu yang luar biasa jujur dan luar biasa canggung: ia menjalankan Terminus 2 dengan internet diaktifkan, lalu menghitung solusi apa pun yang diperoleh melalui penelusuran web sebagai kegagalan. Hambatan itu disengaja, dan itu juga berarti skor ini tidak dapat dibandingkan secara langsung dengan angka Terminal-Bench yang dihasilkan tanpa aturan tersebut.

• LiveCodeBench v6 — 80,3%. Tolok ukur pemrograman kompetitif, bukan tolok ukur agentik, sehingga paling tidak sensitif terhadap pilihan harness di antara keempatnya.

• IFBench — 89,2%. Kepatuhan terhadap instruksi, yakni area yang biasanya pertama kali bikin model kecil kehilangan performa.

Klaim yang sebenarnya dibuat Recursive lebih sempit daripada yang disiratkan cakupannya: Flint memimpin model mixture-of-experts dengan total parameter di bawah 50 miliar pada SWE-bench Pro v2, Terminal-Bench 2.1, dan SWE-bench Verified. Itu adalah klaim untuk kelas tertentu, bukan klaim absolut. Model dense dengan ukuran sebanding dikecualikan darinya secara konstruksi — itulah tepatnya alasan Qwen3.8 27B, sebuah model dense, muncul di grafik yang sama dengan skor lebih tinggi pada rata-rata enam tes milik Recursive sendiri. Recursive mencantumkan itu. Recursive layak mendapat pengakuan karena mencantumkannya.

Klaim Eureka Machine adalah bagian yang bertahan lebih lama daripada model.

Jika tolok ukur disisihkan, tersisa kisah yang lebih tidak biasa. Recursive mengatakan sistem riset otomatisnya menghasilkan ide, menjalankan eksperimen, dan menggunakan hasilnya untuk memilih eksperimen mana yang akan dijalankan berikutnya. Perusahaan menyebutnya berkontribusi pada pra-pelatihan, pasca-pelatihan, inferensi, kuantisasi, dan kernel perangkat keras. Tiga dari kontribusi tersebut cukup spesifik untuk diperiksa terhadap artefaknya:

• Bentuk model. Desainnya dimulai dari basis 35B-A3B dan berakhir pada 40B total dengan 2,5B aktif. Ini adalah langkah yang disengaja menuju kapasitas total yang lebih besar pada biaya aktivasi yang sama — lebih sparse, bukan lebih besar dalam arti yang penting untuk inferensi.

• Kuantisasi. Memindahkan output head ke 4-bit dan melakukan self-distillation kembali dari model 16-bit adalah resep di balik klaim 0,7 poin, dan itulah sebabnya model 39,8B memiliki build terdistribusi berukuran 22,86 GB.

• Kernel. Recursive menulis megakernel Metal yang ditujukan untuk chip M4 dan M5, yang merupakan butir paling tidak mengejutkan dalam daftar mengingat klaim throughput dan yang paling konkret.

Yang tidak diungkapkan Recursive adalah berapa banyak waktu peneliti yang dihemat Eureka Machine. Penghilangan itu justru menjadi inti argumennya. Klaim bahwa suatu sistem mengotomatiskan sebagian besar pengembangan model hanya bermakna jika Anda tahu berapa biaya alternatifnya — dan perusahaan sendiri berhati-hati dalam membingkainya: prosesnya tetap diawasi manusia, bukan sepenuhnya otonom. Bacalah rilis itu sebagai demonstrasi publik awal, bukan sebagai bukti peningkatan diri secara rekursif.

Apa yang Bisa dan Tidak Bisa Diungkapkan oleh Empat Hari Uji Coba Langsung kepada Anda

Tinjauan dari luar paling substansial terhadap Flint sejauh ini adalah Will Knight dari Wired, yang menjalankannya di Mac dengan memori 48 GB dan membuat aplikasi to-do, alat riset web, serta situs penjelas kecil. Ketiganya berhasil. Itu hasil nyata dan bukan benchmark. Itu tiga tugas, satu mesin, satu orang.

Sinyal yang lebih berguna bagi siapa pun yang berencana benar-benar menggunakan ini datang dari para reviewer yang mengukur throughput secara panjang, bukan pada awal sesi. Satu pengujian independen melaporkan sekitar 110 token per detik pada prompt pendek yang turun menjadi sekitar 9 token per detik pada konteks sekitar 115.000 token. Itu adalah degradasi lebih dari lima kali lipat, dan itulah angka yang perlu dijadikan acuan jika agen Anda membaca repositori besar sebelum menulis apa pun. Angka kecepatan utama Recursive — 125-plus token per detik pada M4 Pro, lebih dari 150 pada 64 GB RTX Spark — secara eksplisit diukur pada konteks pendek, dengan prefill dikecualikan.

Ada juga bug templat obrolan yang sudah diketahui pada jalur GGUF untuk llama.cpp. Jika Anda memuat build terkuantisasi dan model berperilaku seolah-olah kehilangan akal, periksa templatnya sebelum menyalahkan bobotnya.

Menjalankannya tanpa mempertaruhkan jalur produksi padanya

Flint adalah unduhan, bukan endpoint. OrcaRouter tidak menyediakannya, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai pernyataan bahwa kami menyediakannya.

Yang diubahnya adalah bagaimana Anda sebaiknya mencobanya. Cara jujur untuk mengevaluasi model open-weight berusia empat hari adalah menjalankannya berdampingan dengan sesuatu yang sudah Anda percaya dan membandingkannya di repositori Anda sendiri, bukan menggantikannya begitu saja lalu berharap. Jika Anda sudah memanggil model yang dihosting melalui satu API, pendekatan berisiko rendah adalah mempertahankan jalur itu sebagai cadangan sementara Flint menangani tugas-tugas yang bersedia Anda serahkan kepadanya — dan membiarkan rantai failover menangkap permintaan saat model lokal macet, daripada menemukan kemacetannya di produksi. Itu keputusan routing, bukan keputusan loyalitas.

Hal lain yang perlu diketahui sebelum Anda mengunduh: Flint gratis untuk dijalankan tetapi tidak gratis untuk dimiliki. Unduhan 22.86 GB adalah tiket masuknya, dan mesin yang mampu menjalankannya dengan nyaman adalah biaya sebenarnya. Jika Anda membandingkan harga ini dengan model hosted per token, hitung juga biaya perangkat kerasnya.

Apa yang perlu dipantau selama sebulan ke depan

Tiga hal akan menentukan apakah Flint dikenang sebagai model coding kecil yang baik atau sebagai titik data pertama dalam argumen yang lebih panjang.

Yang pertama adalah pengujian benchmark independen. Sampai Artificial Analysis atau pihak netral yang sebanding memberinya skor, setiap perbandingan yang melibatkan Flint adalah perbandingan antara pengukuran mandiri satu lab dan pengukuran mandiri lab lain. Yang kedua adalah apakah masalah throughput konteks panjang ternyata merupakan artefak llama.cpp, masalah mesin, atau sifat model — perbaikannya sangat berbeda. Yang ketiga adalah apakah kontribusi Eureka Machine dapat dinilai sama sekali. Recursive telah mengatakan bahwa prosesnya diawasi manusia; pertanyaan yang menarik adalah berapa rasio manusia terhadap agen, dan itu adalah pertanyaan yang tidak dirancang untuk dijawab oleh postingan peluncuran.

Untuk saat ini, ringkasan yang dapat dipertahankan itu singkat. Flint adalah model coding yang benar-benar kecil, benar-benar cepat, dan benar-benar terbuka, yang berjalan di perangkat keras yang mungkin sudah Anda miliki, dengan serangkaian skor yang belum diperiksa siapa pun dan kisah pengembangan yang belum diverifikasi oleh siapa pun di luar perusahaan. Kedua fakta itulah ceritanya.