Recursive Flint v1.0: Một mô hình lập trình 40B được xây dựng phần lớn bằng vòng nghiên cứu của chính nó

Câu thú vị nhất trong Recursive Flint v1.0 ra mắt không phải là một điểm benchmark. Đó là câu mà Recursive nói rằng một nhóm nhỏ đã xây dựng một mô hình lập trình 40 tỷ tham số từ đầu trong chưa đầy bốn tháng, với một hệ thống nghiên cứu tự động có tên Eureka Machine đóng góp vào gần như mọi giai đoạn. Flint đang được công bố như một mô hình lập trình cục bộ mạnh mẽ — tổng cộng 39,8 tỷ tham số, khoảng 2,5 tỷ tham số hoạt động mỗi token, Apache 2.0, chạy thoải mái trên laptop. Nhưng bản phát hành này cũng là phép thử công khai đầu tiên cho một luận điểm khác: rằng chính quá trình xây dựng một mô hình có thể được tự động hóa phần lớn. Cả hai cách đọc đều có trong thông báo. Chỉ một trong số đó là bạn có thể tái lập được.

Flint đã được phát hành vào ngày 21 tháng 10 năm 2026 theo giấy phép Apache 2.0, với các trọng số trên Hugging Face là RecursiveSI/flint. Đây là mô hình đầu tiên của Recursive, phòng thí nghiệm do cựu nhà khoa học trưởng của Salesforce Richard Socher sáng lập, và nó đã xuất hiện cách đây bốn ngày — mới đến mức hầu như không có gì về nó được kiểm chứng bên ngoài phòng thí nghiệm đã tạo ra nó.

Recursive thực sự đã phát hành gì

Bốn kho lưu trữ, không phải một. Kho checkpoint chính chứa trọng số BF16, cấu hình, tokenizer, chat template và bộ phục vụ SGLang, và nó được tạo vào ngày 21 tháng 10 năm 2026 lúc 14:20 UTC. Ba bản dựng đã lượng tử hóa nằm bên cạnh nó, tất cả đều được ghi dấu cùng buổi chiều: một bản dựng safetensors int4, một GGUF int4 và một GGUF NVFP4. Các kích thước bên dưới đến từ danh sách tệp của chính các kho lưu trữ chứ không phải từ thông báo.

• Tham chiếu BF16 — 79,59 GB trong 37 tệp. Đây là tệp bạn sử dụng nếu có H200 hoặc B300 và muốn mô hình nguyên bản không bị pha loãng.

• NVFP4 GGUF — 22,86 GB. Đây là bản dựng khiến tuyên bố "chạy trên máy tính xách tay" trở thành hiện thực, và là bản mà hầu hết mọi người sẽ thực sự tải về.

• int4 GGUF — 25.99 GB, lớn hơn tệp NVFP4 dù độ rộng bit danh nghĩa tương đương. Nếu bạn chỉ dựa vào dung lượng ổ đĩa để chọn giữa hai loại, NVFP4 thắng.

• int4 safetensors — 22.58 GB, dành cho các ngăn xếp phục vụ muốn dùng checkpoint safetensors thay vì GGUF.

Recursive tuyên bố quá trình huấn luyện bit thấp của chính mình và một đầu ra 4-bit, được chưng cất ngược trở lại mô hình 16-bit, chỉ kém độ chính xác đầy đủ trong vòng 0,7 điểm. Con số đó là của Recursive, được đo trên đánh giá của Recursive. Kích thước tệp thì không phải: bất kỳ ai cũng có thể đọc chúng từ kho lưu trữ.

Bốn con số, và mỗi con số đang đo lường điều gì

Recursive đã công bố một bộ điểm số cùng bản phát hành, và điều quan trọng nhất cần hiểu về chúng là tất cả đều được tạo ra bên trong hệ thống đánh giá của chính Recursive. Chưa có bên thứ ba nào chạy lại bất kỳ kết quả nào trong số đó. Chỉ số Artificial Analysis — trọng tài độc lập thông thường cho một mô hình như thế này — hoàn toàn không có mục nào về Flint.

• SWE-bench Verified — 74,2%. Đây là benchmark mà hầu hết độc giả sẽ nhận ra, đo lường liệu một mô hình có thể giải quyết các issue GitHub thực tế hay không. Recursive đã chạy nó qua mini-swe-agent hoàn toàn không có quyền truy cập internet, tính trung bình pass@1 qua ít nhất năm lần thử, ở temperature 1.0, top-p 0.95, top-k 20.

• SWE-bench Pro v2 — 89,7%. Hãy để ý đến “v2”. Đây không phải cùng một benchmark với SWE-bench Pro mà các phòng thí nghiệm khác công bố, và không thể lấy con số này trừ con số kia. Sự phân biệt này quan trọng hơn vẻ bề ngoài của nó, và nó lặp lại mỗi khi Flint được so sánh với một mô hình báo cáo SWE-bench Pro thông thường.

• Terminal-Bench 2.1 — 54,9%. Ở đây Recursive đã làm một việc hiếm hoi là trung thực và cũng hiếm hoi là gượng gạo: họ chạy Terminus 2 với internet được bật, rồi tính bất kỳ lời giải nào có được nhờ truy xuất web là thất bại. Việc tự gây bất lợi đó là có chủ đích, và nó cũng có nghĩa là điểm số này không thể so sánh trực tiếp với một con số Terminal-Bench được tạo ra mà không có quy tắc ấy.

• LiveCodeBench v6 — 80,3%. Một benchmark lập trình thi đấu chứ không phải benchmark tác tử, và do đó là benchmark ít nhạy cảm nhất với lựa chọn harness trong số bốn benchmark.

• IFBench — 89,2%. Khả năng tuân thủ chỉ dẫn, đây thường là điểm mà một mô hình nhỏ hay mất thế trước tiên.

Tuyên bố mà Recursive thực sự đưa ra hẹp hơn so với những gì phạm vi bao phủ gợi ý: Flint dẫn đầu các mô hình mixture-of-experts dưới 50 tỷ tổng tham số trên SWE-bench Pro v2, Terminal-Bench 2.1 và SWE-bench Verified. Đó là một tuyên bố trong phạm vi một nhóm, chứ không phải một tuyên bố tuyệt đối. Các mô hình dense có kích thước tương đương bị loại trừ khỏi đó ngay từ cách thiết lập — và đó chính xác là lý do Qwen3.8 27B, một mô hình dense, xuất hiện trong cùng biểu đồ với điểm số cao hơn trên mức trung bình sáu bài kiểm tra của chính Recursive. Recursive đã in điều đó ra. Họ xứng đáng được ghi nhận vì đã in nó.

Tuyên bố về Eureka Machine là phần tồn tại lâu hơn mô hình

Bỏ các benchmark ra thì còn lại một câu chuyện kỳ lạ hơn. Recursive cho biết hệ thống nghiên cứu tự động của mình đã tạo ra ý tưởng, chạy thử nghiệm và dùng kết quả để chọn thử nghiệm nào sẽ chạy tiếp theo. Công ty ghi nhận hệ thống này có đóng góp trong pretraining, post-training, inference, lượng tử hóa và kernel phần cứng. Ba trong số những đóng góp đó đủ cụ thể để đối chiếu với các artefact:

• Hình thái mô hình. Thiết kế khởi đầu từ mốc cơ sở 35B-A3B và chốt ở 40B tổng với 2,5B hoạt động. Đây là một bước đi có chủ đích hướng tới tổng năng lực lớn hơn với cùng chi phí kích hoạt — thưa hơn, chứ không phải lớn hơn theo cách quan trọng đối với suy luận.

• Lượng tử hóa. Việc chuyển đầu ra sang 4-bit và tự chưng cất ngược lại từ mô hình 16-bit là công thức đằng sau tuyên bố 0.7 điểm, và đó là lý do một mô hình 39.8B có bản build phân phối được 22.86 GB.

• Kernels. Recursive đã viết một megakernel Metal nhắm đến chip M4 và M5, đây là mục ít gây ngạc nhiên nhất trong danh sách xét theo các tuyên bố về thông lượng và cũng là mục cụ thể nhất.

Điều mà Recursive không tiết lộ là Eureka Machine đã tiết kiệm được bao nhiêu thời gian của nhà nghiên cứu. Sự thiếu sót đó chính là toàn bộ luận điểm. Một tuyên bố rằng một hệ thống đã tự động hóa phần lớn việc phát triển mô hình chỉ có ý nghĩa nếu bạn biết cái giá của phương án thay thế — và cách công ty tự diễn đạt ở đây rất thận trọng: quá trình này vẫn được con người giám sát thay vì hoàn toàn tự chủ. Hãy đọc bản công bố này như một màn trình diễn công khai ban đầu, chứ không phải bằng chứng về việc tự cải thiện đệ quy.

Bốn ngày kiểm thử thực tế có thể và không thể cho bạn biết điều gì

Cái nhìn từ bên ngoài đáng kể nhất về Flint cho đến nay là của Will Knight thuộc Wired, người đã chạy nó trên một chiếc Mac với 48 GB bộ nhớ và xây dựng một ứng dụng việc cần làm, một công cụ nghiên cứu trên web và một trang web giải thích nhỏ. Cả ba đều hoạt động. Đó là một kết quả thực sự và không phải là một bài benchmark. Đó là ba nhiệm vụ, một cỗ máy, một người.

Một tín hiệu hữu ích hơn cho bất kỳ ai dự định thực sự sử dụng thứ này đến từ những người đánh giá đã đo thông lượng trong thời gian dài thay vì ở đầu phiên. Một bài kiểm tra độc lập báo cáo khoảng 110 token/giây với prompt ngắn, giảm mạnh xuống còn khoảng 9 token/giây khi ngữ cảnh khoảng 115.000 token. Đó là mức suy giảm hơn gấp năm lần, và đó là con số bạn cần dựa vào để lập kế hoạch nếu agent của bạn đọc một kho mã lớn trước khi viết bất cứ thứ gì. Các con số tốc độ nổi bật của Recursive — hơn 125 token/giây trên M4 Pro, hơn 150 trên RTX Spark 64 GB — được đo rõ ràng ở ngữ cảnh ngắn, không tính prefill.

Ngoài ra còn có một lỗi chat-template đã biết trong đường dẫn GGUF của llama.cpp. Nếu bạn tải bản dựng đã lượng tử hóa và mô hình hành xử như thể đã mất phương hướng, hãy kiểm tra template trước khi đổ lỗi cho trọng số.

Chạy nó mà không đặt cược lộ trình production vào nó.

Flint là một bản tải xuống, không phải một endpoint. OrcaRouter không cung cấp nó, và không có nội dung nào ở đây nên được hiểu là chúng tôi có cung cấp.

Điều đó thay đổi cách bạn nên thử nó. Cách trung thực để đánh giá một mô hình trọng số mở mới bốn ngày tuổi là chạy nó bên cạnh thứ bạn đã tin tưởng và so sánh trên chính kho mã của bạn, chứ không phải thay nó vào rồi hy vọng. Nếu bạn đã gọi các mô hình được lưu trữ qua một API, dạng ít rủi ro là giữ đường đó làm phương án dự phòng trong khi Flint xử lý những tác vụ bạn sẵn sàng giao cho nó — và để một chuỗi chuyển đổi dự phòng bắt các yêu cầu mà mô hình cục bộ bị khựng, thay vì phát hiện tình trạng khựng đó trong môi trường sản xuất. Đó là quyết định định tuyến, không phải quyết định trung thành.

Điều khác cần biết trước khi bạn tải xuống: Flint chạy miễn phí nhưng không phải miễn phí để sở hữu. Bản tải xuống 22,86 GB là vé vào cửa, còn cỗ máy chứa nó một cách thoải mái mới là chi phí thực sự. Nếu bạn đang định giá khoản này so với một mô hình lưu trữ tính theo token, thì hãy tính cả phần cứng vào nữa.

Những điều cần theo dõi trong tháng tới

Ba điều sẽ quyết định liệu Flint được ghi nhớ như một mô hình lập trình nhỏ tốt hay như điểm dữ liệu đầu tiên trong một lập luận dài hơn.

Điều thứ nhất là một lần chạy benchmark độc lập. Cho đến khi Artificial Analysis hoặc một bên trung lập tương đương chấm điểm nó, mọi so sánh liên quan đến Flint đều là so sánh giữa kết quả tự đo của một phòng thí nghiệm với kết quả tự đo của một phòng thí nghiệm khác. Điều thứ hai là liệu vấn đề thông lượng ngữ cảnh dài hóa ra là một lỗi phát sinh từ llama.cpp, một vấn đề của engine, hay một thuộc tính của mô hình — những thứ đó có cách khắc phục rất khác nhau. Điều thứ ba là liệu có thể đánh giá được đóng góp của Eureka Machine hay không. Recursive cho biết quá trình này có con người giám sát; câu hỏi thú vị là tỷ lệ con người so với tác nhân là bao nhiêu, và đó là câu hỏi mà một bài đăng ra mắt không được thiết kế để trả lời.

Hiện tại, bản tóm tắt có thể đứng vững được thì ngắn gọn. Flint là một mô hình lập trình thực sự nhỏ, thực sự nhanh, thực sự mở, chạy trên phần cứng mà bạn có lẽ đã sở hữu, cùng với một bộ điểm số chưa ai kiểm chứng và một câu chuyện phát triển chưa ai bên ngoài công ty xác minh. Cả hai sự thật đó chính là câu chuyện.