Recursive Flint v1.0: model kodujący 40B zbudowany głównie przez własną pętlę badawczą

Najciekawszym zdaniem w komunikacie o wydaniu Recursive Flint v1.0 nie jest wynik benchmarku. Jest nim zdanie, w którym Recursive twierdzi, że mały zespół zbudował od zera model kodujący o 40 miliardach parametrów w niecałe cztery miesiące, a zautomatyzowany system badawczy o nazwie Eureka Machine przyczynił się do niemal każdego etapu. Flint jest reklamowany jako mocny lokalny model kodujący — 39,8 miliarda parametrów łącznie, około 2,5 miliarda aktywnych na token, Apache 2.0, komfortowy na laptopie. Ale to wydanie jest także pierwszym publicznym testem innej tezy: że sam proces budowania modelu można w dużej mierze zautomatyzować. Oba odczytania są w ogłoszeniu. Tylko jedno z nich możesz odtworzyć samodzielnie.

Flint został wydany 21 października 2026 na licencji Apache 2.0, z wagami udostępnionymi na Hugging Face jako RecursiveSI/flint. To pierwszy model od Recursive, laboratorium założonego przez byłego głównego naukowca Salesforce, Richarda Sochera, i pojawił się cztery dni temu — tak niedawno, że prawie nic na jego temat nie zostało przetestowane poza laboratorium, które go stworzyło.

Co Recursive tak naprawdę wydało?

Cztery repozytoria, a nie jedno. Główne repozytorium checkpointu zawiera wagi BF16, konfigurację, tokenizer, szablon czatu oraz zestaw do serwowania SGLang i zostało utworzone 21 października 2026 r. o 14:20 UTC. Obok niego znajdują się trzy skwantyzowane kompilacje, wszystkie oznaczone tego samego popołudnia: kompilacja int4 safetensors, int4 GGUF oraz NVFP4 GGUF. Podane niżej rozmiary pochodzą z własnych list plików repozytoriów, a nie z ogłoszenia.

• Wersja referencyjna BF16 — 79,59 GB w 37 plikach. To jest plik, którego używasz, jeśli masz H200 lub B300 i chcesz model w pełnej postaci.

• NVFP4 GGUF — 22,86 GB. To właśnie ta wersja sprawia, że stwierdzenie „działa na laptopie” jest dosłowne, i to ją większość ludzi faktycznie pobierze.

• int4 GGUF — 25.99 GB, czyli większy niż plik NVFP4, mimo nominalnie podobnej szerokości bitowej. Jeśli wybierasz między nimi wyłącznie pod kątem miejsca na dysku, NVFP4 wygrywa.

• int4 safetensors — 22,58 GB, dla stosów serwowania, które potrzebują checkpointu safetensors zamiast GGUF.

Recursive twierdzi, że jego własny trening niskobitowy i 4-bitowa głowica wyjściowa, destylowane z powrotem w stronę modelu 16-bitowego, mieszczą się w granicach 0,7 punktu od pełnej precyzji. Ta liczba należy do Recursive i została zmierzona w ewaluacji Recursive. Rozmiary plików już nie — każdy może je odczytać z repozytorium.

Cztery liczby i to, co każda z nich mierzy

Recursive opublikował wraz z wydaniem zestaw wyników, a najważniejsze, co trzeba o nich wiedzieć, to fakt, że wszystkie powstały w środowisku testowym samego Recursive. Żadna strona trzecia nie powtórzyła ani jednego z nich. Indeks Artificial Analysis — zwykle niezależny arbiter w przypadku modelu takiego jak ten — w ogóle nie zawiera wpisu Flint.

• SWE-bench Verified — 74,2%. Najbardziej rozpoznawalny przez czytelników benchmark, mierzący, czy model potrafi rozwiązywać rzeczywiste zgłoszenia w GitHubie. Recursive uruchomił go przez mini-swe-agent całkowicie bez dostępu do internetu, uśredniając pass@1 po co najmniej pięciu próbach, przy temperature 1.0, top-p 0.95, top-k 20.

• SWE-bench Pro v2 — 89,7%. Zwróć uwagę na „v2”. To nie jest ten sam benchmark co SWE-bench Pro publikowany przez inne laboratoria i tych dwóch liczb nie można od siebie odejmować. To rozróżnienie ma większe znaczenie, niż się wydaje, i powraca za każdym razem, gdy Flint jest porównywany z modelem, który podaje zwykły SWE-bench Pro.

• Terminal-Bench 2.1 — 54,9%. Tutaj Recursive zrobił coś niezwykle uczciwego i niezwykle niezręcznego: uruchomił Terminus 2 z włączonym internetem, a następnie każde rozwiązanie uzyskane przez wyszukiwanie w sieci uznał za porażkę. To utrudnienie jest celowe, a zarazem oznacza, że tego wyniku nie można bezpośrednio porównać z wynikiem Terminal-Bench uzyskanym bez tej reguły.

• LiveCodeBench v6 — 80,3%. Benchmark programowania konkursowego, a nie agentowy, a zatem najmniej wrażliwy na wybór harnessu spośród czterech.

• IFBench — 89,2%. Stosowanie się do instrukcji, czyli dziedzina, w której mały model zwykle najpierw traci przewagę.

Twierdzenie, które Recursive faktycznie formułuje, jest węższe, niż sugeruje zakres: Flint prowadzi wśród modeli mixture-of-experts o łącznej liczbie parametrów poniżej 50 miliardów w SWE-bench Pro v2, Terminal-Bench 2.1 i SWE-bench Verified. To twierdzenie o klasie, a nie absolutne. Modele gęste o porównywalnym rozmiarze są z niego wyłączone z założenia — i właśnie dlatego Qwen3.8 27B, model gęsty, pojawia się na tym samym wykresie z wyższym wynikiem w średniej z sześciu testów Recursive. Recursive to wydrukowało. Należy mu się uznanie za to, że to wydrukowało.

Twierdzenie Eureka Machine to ta część, która przeżywa model

Po odjęciu benchmarków pozostaje bardziej nietypowa historia. Recursive twierdzi, że jego zautomatyzowany system badawczy generował pomysły, przeprowadzał eksperymenty i wykorzystywał wyniki, by wybierać, które eksperymenty przeprowadzić następnie. Firma przypisuje mu wkład w pretrening, posttrening, wnioskowanie, kwantyzację i jądra sprzętowe. Trzy z tych wkładów są wystarczająco konkretne, by sprawdzić je względem artefaktów:

{{1}}Kształt modelu{{/1}}. Projekt wyszedł od modelu bazowego {{2}}35B-A3B{{/2}} i ostatecznie przyjął {{3}}40B{{/3}} łącznie przy {{4}}2.5B{{/4}} aktywnych. To świadomy krok w stronę większej pojemności całkowitej przy tym samym koszcie aktywacji — model rzadszy, a nie większy w tym, co ma znaczenie dla wnioskowania.

• Kwantyzacja. Przejście głowicy wyjściowej na 4 bity i samodystylacja zwrotna z modelu 16-bitowego to przepis stojący za deklaracją 0,7 punktu — i dlatego model 39,8B ma wersję do dystrybucji o rozmiarze 22,86 GB.

• Kernele. Recursive napisało megajądro Metal przeznaczone dla chipów M4 i M5, co jest najmniej zaskakującą pozycją na liście, biorąc pod uwagę deklaracje dotyczące przepustowości, i najbardziej konkretną.

To, czego Recursive nie ujawniło, to ile czasu badaczy zaoszczędziła Eureka Machine. To pominięcie stanowi cały argument. Twierdzenie, że system zautomatyzował większość prac nad modelem, ma sens tylko wtedy, gdy wiadomo, ile kosztowała alternatywa — a samo ujęcie firmy jest tu ostrożne: proces pozostaje nadzorowany przez człowieka, a nie w pełni autonomiczny. Komunikat należy odczytywać jako wczesną publiczną demonstrację, a nie jako dowód rekurencyjnego samodoskonalenia.

Co cztery dni testów w praktyce mogą ci powiedzieć, a czego nie mogą

Jak dotąd najbardziej konkretnym zewnętrznym spojrzeniem na Flint jest Will Knight z Wired, który uruchomił go na Macu z 48 GB pamięci i zbudował aplikację do zadań, narzędzie do researchu w sieci oraz małą stronę objaśniającą. Wszystkie trzy zadziałały. To prawdziwy wynik i nie jest to benchmark. To trzy zadania, jedna maszyna, jedna osoba.

Znacznie użyteczniejszym sygnałem dla każdego, kto planuje faktycznie tego używać, są recenzenci, którzy mierzyli przepustowość przez dłuższy czas, a nie na początku sesji. Jeden niezależny test odnotował około 110 tokenów na sekundę przy krótkich promptach, spadające do około 9 tokenów na sekundę przy około 115 000 tokenów kontekstu. To ponadpięciokrotna degradacja i to właśnie ta liczba powinna być punktem odniesienia w planowaniu, jeśli twój agent czyta duże repozytorium, zanim cokolwiek napisze. Główne wartości prędkości podawane przez Recursive — ponad 125 tokenów na sekundę na M4 Pro, ponad 150 na 64 GB RTX Spark — są wyraźnie mierzone przy krótkim kontekście, z wyłączeniem prefillu.

Istnieje również znany błąd szablonu czatu na ścieżce GGUF w llama.cpp. Jeśli wczytasz skwantowaną wersję i model zachowuje się, jakby zgubił wątek, sprawdź szablon, zanim obwinisz wagi.

Uruchamianie go bez opierania na nim ścieżki produkcyjnej

Flint to plik do pobrania, a nie punkt końcowy. OrcaRouter go nie udostępnia i niczego tutaj nie należy rozumieć jako stwierdzenia, że to robimy.

To, co to zmienia, to sposób, w jaki powinieneś je wypróbować. Uczciwym sposobem oceny czterodniowego modelu o otwartych wagach jest uruchomienie go obok czegoś, czemu już ufasz, i porównanie na własnym repozytorium, a nie podmiana go i liczenie na szczęście. Jeśli już wywołujesz modele hostowane przez jedno API, najmniej ryzykownym podejściem jest pozostawienie tej ścieżki jako ścieżki zapasowej, podczas gdy Flint zajmuje się zadaniami, które jesteś gotów mu powierzyć — i pozwolenie, by łańcuch przełączania awaryjnego przechwytywał żądania, w których lokalny model się zacina, zamiast odkrywać to zacięcie na produkcji. To decyzja o trasowaniu, a nie o lojalności.

Druga rzecz, o której warto wiedzieć przed pobraniem: Flint jest darmowy w uruchomieniu, ale nie w posiadaniu. Pobranie 22,86 GB to bilet wstępu, a prawdziwym kosztem jest maszyna, która swobodnie to udźwignie. Jeśli porównujesz to cenowo z hostowanym modelem rozliczanym za token, wyceń też sprzęt.

Co warto obserwować w nadchodzącym miesiącu

Trzy rzeczy zdecydują, czy Flint zostanie zapamiętany jako dobry mały model kodujący, czy jako pierwszy punkt danych w dłuższej argumentacji.

Pierwsza to niezależny przebieg testu porównawczego. Dopóki Artificial Analysis lub porównywalnie neutralna strona go nie oceni, każde porównanie z udziałem Flint jest porównaniem między samopomiarem jednego laboratorium a samopomiarem drugiego. Druga to, czy problem przepustowości w długim kontekście okaże się artefaktem llama.cpp, problemem silnika czy właściwością modelu — te mają bardzo różne rozwiązania. Trzecia to, czy wkład Eureka Machine można w ogóle ocenić. Recursive stwierdził, że proces jest nadzorowany przez ludzi; interesujące pytanie brzmi, jaki był stosunek liczby ludzi do agentów, a wpis premierowy nie jest pomyślany jako odpowiedź na takie pytanie.

Na razie możliwe do obrony podsumowanie jest krótkie. Flint to naprawdę mały, naprawdę szybki i naprawdę otwarty model do kodowania, który działa na sprzęcie, jaki prawdopodobnie już posiadasz, a do tego ma zestaw wyników, których nikt nie sprawdził, i historię rozwoju, której nikt spoza firmy nie zweryfikował. Oba te fakty są sednem tej historii.