Recursive发布Flint 40B开源本地编码模型

时间：2026年10月21日（美东时间，周三）19:28 UTC 官宣；模型权重于当日 14:20 UTC 上线 Hugging Face 地点：美国（Recursive 总部），模型开放下载，全球开发者可用 人物：Recursive 创始人兼 CEO Richard Socher（Salesforce 前首席科学家）；投资方包括 GV、Nvidia、AMD Ventures 事件详情：Recursive 正式发布首个模型 Flint——一款面向本地设备智能体编程（agentic coding）的混合专家（MoE）模型，也是该公司"递归自我改进"路线的一次公开验证。 模型规格与性能： 1. 规模为 400 亿总参数、每 token 仅激活 25 亿参数，是 Recursive 称"不到 500 亿总参数的 MoE 模型中在智能体编程基准上表现最强"的一款。 2. 官方基准覆盖 SWE-Bench Pro v2、Terminal-Bench 2.1、SWE-Bench Verified、LiveCodeBench v6、IFBench、IFEval 六项。Recursive 称在六项平均分上只有阿里巴巴 Qwen3.8 27B 一个模型高于 Flint。 3. 推理速度：在 M4 Pro MacBook Pro 上超过每秒 125 token，在 64GB 显存的 NVIDIA RTX Spark 上短上下文下超过每秒 150 token（TechCrunch 实测 MacBook Pro M4 Pro 约 131 token/s，作为对比，Gemma 4 与 Nemotron 3.5 Lightning 同机仅 58–69 token/s）。官方称比同级快至 2 倍，比 25–40B 稠密模型快 5 倍以上。 4. 上下文窗口最长 512k，官方建议保持在 256k 以内效果最佳。 5. 许可为 Apache 2.0，权重已在 Hugging Face 以 RecursiveSI/flint 名义免费开放，发布当日获 188 个点赞。 "由 AI 造 AI"的核心：Flint 由 Recursive 的自动化研究系统 Eureka Machine 参与构建，几乎覆盖了模型构建栈的每一环——数据、优化器、训练配方、基础设施与推理优化。官方称由一个"人和智能体组成的小团队"在不到四个月内从零训练完成。Eureka Machine 的三项具体贡献为： 1. 架构搜索——从 350 亿总参数 / 30 亿激活的基线出发，搜索出 400 亿总参数 / 25 亿激活的最终配置。 2. 量化方案——把输出层（lm_head）也量化到 4 bit（业界通常不这么做），并增加了一个离线蒸馏阶段，用 16-bit 模型作教师、以自采样响应训练量化模型，训练步数比量化感知训练基线减少近一半。最终 NVFP4 模型在各基准上与 16-bit 模型的差距在 0.7 分以内。 3. 内核优化——为低比特投影、MoE 运算、注意力与提示处理生成专用内核；在 M4 与 M5 芯片上生成了融合整个解码前向过程的 Metal megakernel。 背景：Recursive 于 2026 年 5 月走出隐身，融资 6.5 亿美元、估值 46.5 亿美元，投资方包括 GV、Nvidia 与 AMD Ventures。"递归自我改进"——即 AI 造出更好的 AI、再由后者造出更好的 AI——是业界争议最大的方向之一，部分研究者担心 AI 自我改进会脱离人类控制。Recursive 的版本目前仍相对受限：由人在监督下运行的 AI 研究助手，最终产出的是一个足够小、能在笔记本上跑的模型。TechCrunch 也点明，同类路线并非 Recursive 独有——OpenAI 上月披露，到 8 月中旬其 AI 智能体的人均产出已相当于每位人类研究员 3.1 个工作日。 影响：Flint 的直接价值在于把"本地编程智能体"从概念拉到了普通笔记本上——开发者可以离线运行、代码不出本机、无 API 费用。Hugging Face API 显示该模型权重创建于 10 月 21 日 14:20 UTC、最后修改于 14:24 UTC。规模对比上，TechCrunch 指出 Flint 远小于 Meta 上周发布的 Muse Spark Open（8160 亿参数、需至少 1TB 内存）。局限同样明确：Recursive 官方承认 Flint "可能比你习惯的大型闭源编程模型需要更多指导"，建议把大任务拆成小步骤并给出明确指令。第三方实测方面，Wired 的 Will Knight 在 48GB 内存的 Mac 上用 Flint 做出了待办清单应用、抓取网络研究的工具等多个小程序，认为小型编程模型常见的报错和迟缓在 Flint 上没有出现，每次都准确命中了他的编程需求。 总结：Flint 的意义有两层——表层是一个跑得很快、Apache 2.0 协议、可在笔记本上离线使用的开源编程模型；深层则是 Recursive 用一个可公开检验的成果，为"AI 主导科研、Eureka 机器人在人类监督下加速模型迭代"这条路线提供了第一个硬证据。真正的考验是递归能否在下一轮继续自我加速，而不是在这一次停在 46.5 亿美元的融资故事上。 参考来源： 1. Recursive 官方发布博客《Introducing Flint》：https://recursive.com/updates/introducing-recursive-flint 2. TechCrunch 报道：https://techcrunch.com/2026/10/21/recursive-launches-flint-a-laptop-coding-model-it-says-was-largely-built-by-ai/ 3. Wired（Will Knight 实测）：https://www.wired.com/story/recursive-self-improvement-flint-latest-model-scary-good/ 4. Hugging Face 模型页（Apache 2.0 权重）：https://huggingface.co/RecursiveSI/flint 5. OpenHands 评测博客：https://www.openhands.dev/blog/recursive-flint-on-openhands 6. LM Studio 模型库页：https://lmstudio.ai/models/recursive-flint 7. Ollama 模型库页：https://ollama.com/library/flint 8. Richard Socher 官方 LinkedIn 发布帖：https://www.linkedin.com/posts/richardsocher_introducing-flint-recursives-first-model-activity-7518716509028782080-R0YW