Recursive Flint 40B-A2.5B：まず速さを第一に考えて作られたコーディングモデル

その数字が決めるのは、Recursive Flint 40B-A2.5Bがディスク容量を使う価値があるかどうかであり、その数字は54.9%ではありません。2.5です。Recursive初のオープンウェイトのコーディングモデルは398億パラメータを搭載し、書き出すトークンごとにそのうち約25億を起動します。そしてこのリリースにおけるほかのほぼすべての決定——アテンションレイアウト、量子化レシピ、カスタムMetalカーネル、推論エンジン——は、その1つの比率の下流にあります。Flintは2026年10月21日にApache 2.0の下でリリースされました。これにより、執筆時点で公開から1日しか経っておらず、ローンチが歴史ではなくまだニュースである期間内にあります。公開から1日しか経っていないベンチマーク表は測定ではなく約束であるため、私たちは本番記録を別途管理しています：AI Incident Archiveは、モデルとプロバイダーの主張が実際のトラフィックを処理するようになってからどのように持ちこたえてきたかを記録します。

今すぐ判断したい人向けの要点はこうだ。これは、ラップトップ上で同重量級最速になることを目指して作られた疎な混合エキスパートモデルであり、エージェント型コーディングの3つのスコアを公開しているが、いずれもベンダー報告で再現されていない。そして、モデルを構築する研究の自動化を目的に掲げる企業による最初のモデルでもある。この3つの事実はすべて重要で、1年後にもなお興味深いのは3つ目だ。

実際に出荷されたもの

リポジトリは1つではなく4つあります。メインのRecursiveSI/flintリポジトリには、BF16チェックポイント、設定、トークナイザー、チャットテンプレート、SGLangサービングキットが含まれており、2026年10月21日14:20 UTCに作成されました。その隣には3つの量子化バリアントがあり、いずれも同じ日の午後にタイムスタンプが付与されています。int4 safetensorsビルド、int4 GGUF、NVFP4 GGUFです。以下のすべてのサイズは、発表からの引用ではなく、各リポジトリ自身のファイル一覧から測定したものです。

• BF16リファレンス — 37ファイル全体で79.59GB、それぞれ約5.37GBの15個のsafetensorsシャードに分割されています。これはファインチューニング用の成果物で、推論用にダウンロードしたくないものです。

• NVFP4 GGUF — 単一ファイルで22.86GB、公開されている完全な推論ビルドの中で最小のもの。

• Int4 GGUF — 25.99GB。NVFP4ファイルより大きいq4_1量子化で、命名順とは逆になっています。ファイル名で選ぶ前に知っておく価値があります。

• Int4 safetensors — 22.58GB、単一のGGUFよりもシャード化された重みを好むランタイム向け。

ライセンスはApache 2.0で、モデルカードは、ホスト型APIの利用条件とデータ慣行がモデルの重みのライセンスとは別であるという区別を加えている——よくある分離を、埋もれさせずに明快に述べている。

このアーキテクチャはメモリ帯域幅に関する主張である

ラップトップでは、トークンのデコードは主に計算の問題ではない。重みをメモリから演算ユニットへ十分速く移動させる問題であり、だからこそ400億パラメータの密なモデルは、チップがどれほど優れていても遅い。トークンごとにすべての重みを読み出すからだ。Flintの答えは、そのほぼどれも読まないことにある。

• スパース性 — MoE 層ごとに 256 個のルーティングされるエキスパートがあり、トークンごとに 6 個が選択され、さらに常時アクティブな共有エキスパートが 1 個あります。49 層のうち 2 層は密（dense）で 47 層は MoE であるため、最初の 2 層以外はすべて条件付きの計算を行っています。

• アクティブパラメータ — 合計39.8B、出力ヘッドを含めてトークンあたり約2.5Bがアクティブで、これが「40B-A2.5B」という呼称の由来です。アクティブな本体のみでは約2.2Bです。

• 注意 — 513トークンのウィンドウ（現在のトークンとその前の512トークン）で、35のスライディングウィンドウ層が14のフルアテンション層と交互に配置されています。クエリヘッドは32、キー・バリューヘッドは4のみで、ヘッド次元は128であるため、KVキャッシュを十分小さく保ち、長いエージェントセッションを実用的にします。

• 位置エンコーディング — スライディングウィンドウ層では回転埋め込みを用い、フルアテンション層ではまったく用いない。これはモデルカードが説明なしに記している選択である。ヘッドごとの QK RMSNorm と学習されたヘッドごとのアテンションシンクが、通常は位置エンコーディングが分担する安定性の役割を担っている。

• コンテキスト — 262,144トークンが文書化されており、モデルカードにはこれがプロンプトと生成出力の両方を合わせたものを対象としていることが明記されています。発表では「最大512k」を宣伝し、その後、コーディングでは256k以内に収めることを推奨しています。どちらの記述も同じベンダーによるもので、わずか1段落違いです。

興味深いのは、その形状がどのように選ばれたかだ。Recursiveによると、同社のEureka Machine——アイデアを提案し、実装し、テストし、うまくいったものを組み合わせる自動研究ループ——は、アクティブ30億の350億パラメータのベースラインから開始し、エキスパート構成と幅を横断的に探索した。その結果得られた40B/2.5B構成は、発表文自身の表現によれば、「Eureka Machineがテストした構成の中で、速度とコーディング性能の最良の組み合わせを提供すると予測された」ものだった。予測であって、完成したモデル同士の比較で証明されたわけではない。訓練実行が高コストなときにアーキテクチャを選ぶ普通の方法ではあるが、後続のチェックポイントが静かに覆す可能性もある主張でもある。

3つのスコアと、それらに付随する脚注

FlintはTerminal-Bench 2.1で54.9%、SWE-bench Pro v2で89.7%、SWE-bench Verifiedで74.2%を記録している。これらの数値はリリース評価としてモデルカードに記載されているが、第三者がこのモデルの測定値を公表したことはなく、このようなローンチにおける通常の独立した審判役であるArtificial Analysisのモデル指標には、10月22日時点でFlintの項目がまったく存在しない。つまり、以下はすべてRecursiveがRecursiveを測ったものだ。

ベンダーが自社の手法について実際に開示している内容は、大半のローンチ記事が自ら進んで明かす情報よりも多く、そのことは数字の読み方を変える：

• Terminal-Bench 2.1 — Terminus 2ハーネスで実行され、インターネットアクセスが有効で、Web検索によって得られた解答は失敗としてカウントされる。この最後の調整は意図的なハンディキャップであり、モデルカードには、他の開発者が公開しているスコアにはこれが適用されていない可能性があると記されており、そのため第三者による数値との同条件での比較は、容易になるどころか難しくなっている。

• SWE-bench Pro v2 と SWE-bench Verified — mini-swe-agent を使用し、インターネットに一切アクセスせずに実行。これは、タスクの途中でドキュメントを検索できるエージェントよりも厳しい設定です。

• 試行回数とタイムアウト — 少なくとも5回の試行にわたるpass@1の平均で、エージェントのタイムアウトは最大5時間。5回の試行を平均するのは妥当なプロトコルです。5時間のタイムアウトは、実行したまま放置してもよいと考えるエージェント向けのスコアであり、オートコンプリート向けのスコアではありません。

• サンプリング — すべての評価で temperature 1.0、top-p 0.95、top-k 20 を使用し、リクエストでこれらが省略された場合はサービングキットがこれらのデフォルト値を適用します。

ベンダーのベンチマーク表は、どの同業者を比較対象に選んだかについての表明でもある。Recursive自身のチャートは、FlintをQwen 3.5、Qwen 3.6、Qwen 3.8、Laguna XS 21、Muse Glimmer、Gemma 4と比較している。これらは同程度のハードウェアに収まるローカルモデルであり、ラップトップ向けモデルにとって公正な比較対象グループであると同時に、スパース性の主張をよく見せるために選ばれたグループでもある。ここでなされている主張は限定的で擁護可能だ。Flintはエージェント型コーディングにおいて、総パラメータ数500億未満のMoEモデルをリードし、250億～400億のDenseモデルに匹敵しつつ、はるかに高速に動作する。これはフロンティアのコーディングモデルに関する主張ではなく、Recursiveもそのような主張はしていない。発表では、Flintは「慣れ親しんでいる大規模なクローズドソースのコーディングモデルよりも、より多くのガイダンスを必要とする可能性がある」と明言している。

速度：2× は実際には何を基準に測定されているのか

Recursiveは、M4 Pro MacBook Proで毎秒125トークン超、64GB NVIDIA RTX Sparkで短いコンテキスト時に毎秒150トークン超を報告しており、これを同等モデルの最大2倍の速さ、類似のコーディングスコアを持つ250億～400億パラメータのdenseモデルの5倍超の速さだと説明している。速度チャートの方法論の脚注は読む価値がある部分だ。128,000トークンのセッション全体を通した平均トークン/秒で、プリフィルは除外され、競合1社は全長ではなく124kで測定されている。

プリフィルを除外するのはデコードベンチマークの標準的な慣行であり、ここでも重要です。なぜなら、コーディングエージェントがリポジトリをコンテキストウィンドウに丸ごと流し込むとき、時間を使うのはまさにプリフィルの部分だからです。128kセッションのデコード半分だけを測る数値は、スパース活性化を備えたどのモデルも実際より良く見せてしまい、Flintの設計全体はスパース活性化です。だからといってその数値が誤りになるわけではありません。それはデコードの数値であり、エージェントがタスクを終えるまでの時間と比較するのではなく、他のデコードの数値と比較すべきものです。

量子化のレシピは最も転用しやすい部分です

量子化に関するほとんどの解説記事は、どれだけの精度が失われたかを扱っています。この記事は、慣例とは逆の方向に進んだある決断についてのものです。

Recursiveは出力層——lm_head——を4ビットに量子化した。これは一般的な慣行に反しており、その理由はスパースモデルに固有のものだ。アクティブパラメータが25億しかないため、出力層はトークンごとに読み込まれる重みの大きな割合を占めており、16ビットのままにするとモデルが到達できる速度の上限が制限される。精度を回復するにはオフライン蒸留の段階が必要で、そこでは量子化モデルが自身で発見したコアセットから事前にサンプリングした自身の応答を使って学習し、16ビットモデルを教師とする——この設定によりRecursiveは、量子化認識トレーニングのベースラインに対してトレーニングステップをほぼ半減できたと述べている。

公表された結果では、最終的な NVFP4 モデルはベンチマークスイート全体で 16 ビットモデルから 0.7 ポイント以内のスコアを記録しています。これはベンダーの主張であり、後から検証するのは容易で、偽装するには高くつく種類の主張であるため、ベンダーにその主張に責任を持たせるうえで有用なものです。実用的な帰結は上記のファイルサイズです。22.86GB のダウンロードで、48GB の統合メモリを搭載したマシン上で 398 億パラメータのモデルを実行できます。

Apple Siliconでは、それにはもう一つの層がある。Recursive's Eureka Machineは、低ビット投影、MoE演算、アテンション、プロンプト処理向けの専用カーネルを生成した。これには、M4およびM5チップ上でデコードのフォワードパス全体を1回のディスパッチに融合するMetalメガカーネルも含まれる。デコードパスを融合するのは、モデルアーキテクチャ、量子化フォーマット、カーネルをまとめて制御して初めて効果を発揮する種類の最適化であり、これこそが、単一のベンチマーク数値以上に、このリリースの実際の主張点である。

それをどう実行するのか、そして各経路であなたにどのようなコストがかかるのか

展開についての2つの異なるストーリーがあり、它们は互換性がありません。

• サーバー GPU — BF16 チェックポイントには SGLang サービングキットが付属しています。このキットはレプリカごとに B300 1 台または H200 1 台を対象とし、ポート 30000 でモデル名 flint の OpenAI 互換エンドポイントを公開し、推論およびツール呼び出し用のサンプルクライアントを含みます。フル精度の重みに対してサポートされているのはこのパスのみです。モデルカードには、Transformers のモデリングコードはまだ含まれていないと明記されています。

• ローカルマシン — llama.cpp、Ollama、Unsloth、LM Studio、vLLM、SGLang がいずれもサポート対象として明記されており、これはローンチ当日のモデルとしては異例なほど幅広く、単なるチェックポイントと実用的な成果物とを分ける違いとなっている。

• recエンジン — Recursive 独自の推論エンジンで、~/.local/bin にインストールされ、M4 Pro、M5 Pro、または M5 Max（統合メモリ48GB以上、空きディスク約30GB）が必要で、ローカルでOpenAI互換APIを公開します。READMEでは、4ビット重みのM4 Pro上で、1,000〜252,000トークンのプロンプト、出力1,024トークン、コンテキスト長ごとに5回実行、プリフィル除外という条件で、llama.cppのトークンスループットの1.4〜2.6倍を主張しています。単一セッション用途に明示的に最適化されており、複数のエージェントを同時に実行する場合は、ドキュメントで別の方法を案内しています。

セッションがうまく進むかどうかを左右する実務上の注意点：コンテキストウィンドウはプロンプトと出力の間で共有される、難しい問題では推論を含めて少なくとも32,768トークンの出力予算が必要だ、そして返された reasoning_content は会話履歴に保持しなければならず、そうしないとマルチターンのツール利用が劣化する。Recursive 自身の複雑なタスクに関するガイドラインは、作業を明示的な指示を伴うより小さなサブタスクに分割することであり、これは誠実な助言であると同時に、そのモデルの限界を描写したものにも読める。

本当に証明されていないものは何ですか？

意思決定に影響を与えるべき度合いが大きい順に、3つのこと。

第一は独立した測定だ。それは存在しない。リーダーボードで低いスコアというわけでも、異議のあるスコアというわけでもない。Flintの第三者評価はまだ存在せず、出回っている数字はベンダーのものだけであり、ベンダーが選んだハーネスと、ウェブ検索に対するベンダーの調整によって生成されたものだ。方法論は監査できる程度には開示されている。それが初日に望める最大限だが、開示は検証ではない。

第二は、25億アクティブパラメータのモデルが、コーディングエージェントが実際に担う長期的な作業で通用するかどうかだ。ベンチマークプロトコルは5回の試行と5時間のタイムアウトを許容しており、これはかなり寛大な枠組みだ。何度も試行し、長い裁量を必要とするモデルは、良好なpass@1を記録しながらも、エディタ内では信頼しにくく感じられることがある。Recursive自身が、より大規模なクローズドモデルよりも多くの誘導を必要とするという注意点も、同じことを示している。

第三はアーキテクチャ探索そのものです。自動システムが試したものの中で最良と予測された構成は、ある訓練実行に関する仮説であり、完成したモデルに関する結果ではありません。もしEureka Machineの予測が正しければ、これは他の小規模チームが模倣するテンプレートになります。ほぼ正しかった場合、次のチェックポイントは動き、比率は変わります。

エージェントスタックが半分しかローカルでない場合に、これがどこに当てはまるか

Flint のようなモデルが重要なのは、請求書から1行を削除するのであって、すべての行を削除するわけではないからだ。ローカル推論は、自分のマシンで実行できる作業を処理し、実行できない作業には何もしない——収まらない長文コンテキストのジョブ、1台のラップトップを超えるバースト、より大きなモデルのほうが単純に適しているタスク。その結果、ほとんどのチームは2つのシステムを運用することになる。

OrcaRouterはその取り決めのうちホスト型の側面を担うものであり、境界を明確にしておきます。当社はFlintを提供しておらず、この記事のどの部分も当社がホストするチェックポイントの宣伝ではありません。FlintはRecursiveからダウンロードするものであり、当社のエンドポイントではありません。当社が行っているのは、200超のホスト型モデルの前に単一のAPIを置き、プロバイダー自身の定価でマークアップを一切上乗せせずに提供し、それらをまたいで設定ベースのフォールバックチェーンでルーティングし、自動的にフェイルオーバーさせることです。これはプロバイダーがリクエストの途中で不調になった場合の動作です。ローカルでFlintを実行した場合の価値を、同程度の規模のホスト型Mixture-of-Expertsモデル——Qwen3.6-35B-A3BとGemma 4 26B-A4Bはいずれもその1つのキーで呼び出せます——と比較したいなら、その比較はデプロイではなく1回のリクエストで済みます。

妥当な解釈

Flintは、特定の、そして異例の重心を持つ本物のリリースだ。Recursiveは、実現し得た最強のコーディングモデルを出荷したのではなく、ノートPCに収まるサイズで構築できる最速のモデルを出荷し、その優位性が4ビット重みと組み合わせても失われないように設計された量子化とカーネルのスタックを公開した。Terminal-Bench 2.1の54.9%とSWE-bench Pro v2の89.7%は、400億パラメータのスパースモデルとしては力強い数値であり、現時点ではベンダー自身による数値にすぎない。

ただダウンロードするだけでなく、注目に値するのはその背後にある手法だ。自動化された研究ループがアーキテクチャ、量子化レシピ、カーネルを選んだと言うチームは、モデルではなくプロセスについての主張をしているのであり、プロセスはローンチ時のベンチマークとは違って検証可能だ。次のリリースがより速く、より良く届くか、そうでないかでわかる。Flintはその議論における最初のデータポイントであり、誰もが自分で重みを確認できるほど寛容なライセンスの下で公開されている。

48GBのユニファイドメモリとApple Siliconマシンをお持ちなら、それを確かめるコストは22.86GBのダウンロードと半日で済む。お持ちでないなら、正直なところ最初の独立した評価を待つのが妥当だ。なぜなら、一日前に出たベンチマーク表は約束であって、測定結果ではないからだ。