递归 Flint v1.0：一个主要由自身研究循环构建的 40B 编程模型

的发布中最有意思的一句话并不是某个基准测试分数。Recursive Flint v1.0而是 Recursive 表示，一个小团队在不到四个月内从零开始构建了一个 400 亿参数的编程模型，而一个名为 Eureka Machine 的自动化研究系统几乎参与了每一个阶段。Flint 已作为一款强大的本地编程模型对外发布——总参数 398 亿，每个 token 约 25 亿激活参数，采用 Apache 2.0 许可，在笔记本电脑上也能轻松运行。但这次发布也是对另一个命题的首次公开检验：构建模型的过程本身可以在很大程度上实现自动化。这两种解读都出现在公告中。而其中只有一种是你能够复现的。

Flint 于 2026年10月21日以 Apache 2.0 许可发布，权重在 Hugging Face 上以 RecursiveSI/flint 的名义提供。它是 Recursive 的首个模型，该实验室由 Salesforce 前首席科学家 Richard Socher 创立，而它于四天前问世——时间近到几乎关于它的一切都尚未在打造它的实验室之外经过测试。

Recursive 实际发布了什么

是四个仓库，而不是一个。主检查点仓库存放 BF16 权重、配置、tokenizer、聊天模板和 SGLang 服务套件，它创建于 2026 年 10 月 21 日 14:20 UTC。旁边还有三个量化构建，全部在同一天下午打上时间戳：一个 int4 safetensors 构建、一个 int4 GGUF，以及一个 NVFP4 GGUF。下面的尺寸来自各仓库自己的文件清单，而不是来自公告。

• BF16 参考版 — 分布在 37 个文件中，共 79.59 GB。如果你拥有 H200 或 B300，并且想要完整未删减的模型，这就是你要使用的文件。

• NVFP4 GGUF — 22.86 GB。正是这个构建版本让“能在笔记本电脑上运行”这一说法成为现实，也是大多数人真正会下载的那个。

• int4 GGUF — 25.99 GB，尽管位宽名义上相近，但比 NVFP4 文件更大。如果仅根据磁盘空间在两者之间做选择，NVFP4 胜出。

• int4 safetensors — 22.58 GB，适用于希望使用 safetensors 检查点而非 GGUF 的推理服务栈。

Recursive 声称，其自身的低比特训练和一个 4 比特输出头，经过蒸馏回 16 比特模型后，与全精度的差距在 0.7 个百分点以内。这个数字是 Recursive 自己的，是在 Recursive 的评估上测得的。文件大小则不是：任何人都可以从仓库里直接读出来。

四个数字，以及每一个所衡量的内容

Recursive 在发布时公布了一组分数，而要理解这些分数，最重要的一点是：它们全都是在 Recursive 自己的评测框架内产出的。没有任何第三方重新运行过其中任何一项。Artificial Analysis 指数——对于这类模型而言通常是独立的裁判——完全没有 Flint 的条目。

• SWE-bench Verified — 74.2%。这是大多数读者都熟悉的基准测试，用于衡量模型能否解决真实的 GitHub 问题。Recursive 通过 mini-swe-agent 运行了该测试，完全无法访问互联网，并在温度 1.0、top-p 0.95、top-k 20 的设置下，对至少五次尝试的 pass@1 取平均值。

• SWE-bench Pro v2 — 89.7%。请注意其中的“v2”。这与其他实验室发布的 SWE-bench Pro 并不是同一个基准，而且这两个数字不能相互相减。这一区别比看上去更重要，而且每当 Flint 与一个报告普通 SWE-bench Pro 的模型进行比较时，这一点都会反复出现。

• Terminal-Bench 2.1 — 54.9%。在这里，{{1}}Recursive 做了一件异常诚实却又异常尴尬的事{{/1}}：它在启用互联网的情况下运行了 {{2}}Terminus 2{{/2}}，随后将通过网页检索获得的任何解决方案都计为失败。这一限制是刻意设置的，这也意味着该分数不能与在没有该规则情况下产生的 Terminal-Bench 数值直接比较。

• LiveCodeBench v6 — 80.3%。它是一项竞赛编程基准，而非智能体基准，因此在这四项中对测试框架的选择最为不敏感。

• IFBench — 89.2%。指令遵循能力，这通常是小模型最先失守的地方。

Recursive 实际提出的主张比报道所暗示的范围更窄：Flint 在 SWE-bench Pro v2、Terminal-Bench 2.1 和 SWE-bench Verified 上领先于总参数量低于 500 亿的混合专家模型。这是一个类别性声明，而非绝对性声明。同等规模的稠密模型从定义上就被排除在外——这正是为什么稠密模型 Qwen3.8 27B 会出现在同一张图表中，并在 Recursive 自己的六项测试平均值上得分更高。Recursive 公布了这一点。它因公布这一点而值得称赞。

Eureka Machine 的主张是比模型更长久的那部分

剔除基准测试后，留下的则是一个更不寻常的故事。Recursive 表示，其自动化研究系统生成了想法、运行了实验，并利用结果来选择接下来要运行哪些实验。该公司称其贡献涵盖预训练、后训练、推理、量化和硬件内核。其中有三项贡献具体到足以对照相关产物进行核查：

• 模型形态。该设计从 35B-A3B 基线出发，最终定为总参数 40B、激活参数 2.5B。这是一次有意的转变：在相同的激活成本下追求更大的总容量——更稀疏，而不是在推理真正重要的意义上变得更大。

• 量化。将输出头改为 4 比特，并从 16 比特模型进行自蒸馏，正是 0.7 个百分点这一说法背后的秘诀，这也是为什么一个 39.8B 模型能有 22.86 GB 的可分发构建。

• 内核。Recursive 编写了一个面向 M4 和 M5 芯片的 Metal 巨型内核，鉴于其吞吐量方面的宣称，这是清单上最不令人意外的条目，也是最具体的。

Recursive 没有披露的是，Eureka Machine 节省了多少研究员时间。这一省略正是整个论证的关键。声称一个系统自动化了模型开发的大部分工作，只有在你了解替代方案的成本时才有意义——而公司自己的表述在这里很谨慎：该过程仍然由人类监督，而非完全自主。应把这份发布视为一次早期公开展示，而不是递归式自我改进的证明。

四天的上手实测能告诉你什么，又不能告诉你什么

迄今为止，对 Flint 最实质性的外部审视来自 Wired 的 Will Knight，他在一台配备 48 GB 内存的 Mac 上运行了它，并构建了一个待办事项应用、一个网络研究工具和一个小型说明性网站。三者都能运行。这是一个真实的结果，而不是基准测试。它是三项任务、一台机器、一个人。

对于任何计划实际使用它的人来说，更有用的信号来自那些长时间测量吞吐量、而不是只在会话开始时测量的评测者。一项独立测试报告称，在短提示下约为每秒 110 个 token，而在上下文达到约 115,000 个 token 时会骤降至约每秒 9 个 token。这是五倍以上的性能下降；如果你的代理在写任何内容之前要先读取大型代码仓库，这就是规划时应依据的数字。Recursive 宣传的速度数据——在 M4 Pro 上超过每秒 125 个 token，在 64 GB RTX Spark 上超过每秒 150 个 token——明确是在短上下文下测得的，且不包含预填充。

在 llama.cpp 的 GGUF 路径中，还存在一个已知的聊天模板 bug。如果你加载了量化版本后，模型表现得像是完全失去了章法，那么在把责任归咎于权重之前，先检查一下模板。

在不把生产路径押在它上面的前提下运行它

Flint 是一个下载项，而不是一个端点。OrcaRouter 并不提供它，这里的任何内容都不应被理解为我们在提供它。

这会改变的是你应该如何尝试它。评估一个发布仅四天的开放权重模型的诚实方式，是把它放在你已信任的模型旁边运行，并在你自己的代码库上比较，而不是把它替换进来然后指望它行。如果你已经通过同一个 API 调用托管模型，低风险的做法是保留这条路径作为回退，同时让 Flint 处理你愿意交给它的任务，并让故障转移链接住本地模型卡住的请求，而不是在生产环境中才发现它卡住。这是路由决策，不是忠诚度决策。

下载前还有一件值得知道的事：Flint 运行免费，但拥有它并不免费。22.86 GB 的下载只是入场券，而能舒适承载它的机器才是真正的成本。如果你要拿它和按 token 计费的托管模型比价，也要把硬件成本算进去。

未来一个月值得关注什么

三件事将决定 Flint 是被铭记为一款优秀的小型编程模型，还是成为一场更长期论证中的第一个数据点。

第一个是独立基准测试运行。在 Artificial Analysis 或同等中立机构对其进行评分之前，任何涉及 Flint 的比较，都只是一家实验室的自我测量与另一家实验室的自我测量之间的比较。第二个是长上下文吞吐问题究竟是 llama.cpp 造成的假象、引擎问题，还是模型本身的特性——它们的修复方式截然不同。第三个是 Eureka Machine 的贡献究竟能否被评估。Recursive 表示该过程由人类监督；有趣的问题是，人类与智能体的比例是多少，而这不是一篇发布文章旨在回答的问题。

目前，站得住脚的总结很短。Flint 是一个真正小巧、真正快速、真正开放的编程模型，运行在你可能已经拥有的硬件上；它有一组无人核验过的分数，还有一个公司外部无人验证过的开发故事。这两个事实本身就是关键所在。