Recursive开源模型Flint发布：Eureka Machine参与研发，AI造AI迈出第一步

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-22

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。

美国当地时间2026年10月21日，AI创业公司Recursive发布了开源模型Flint。这是一款总参数量约400亿、面向本地编码智能体的混合专家（MoE）语言模型，SWE-bench Pro v2得分达到89.7%。相比模型参数和Benchmark成绩，Flint更受关注的地方在于它的研发方式：从架构搜索、量化方案到GPU内核优化，Recursive旗下AI研究系统Eureka Machine参与了模型研发的几乎所有环节。

📊 核心实体与商业数据

💡 业务落地拆解

模型架构与性能

Flint采用MoE架构，总参数量398亿，包含256个路由专家，每次计算激活其中6个，另有一个共享专家始终参与计算。运行时实际激活参数约25亿。这种设计减少了每次推理需要执行的计算量，也降低了本地部署的门槛。官方测试显示，Flint在搭载48GB内存的Apple M4 Pro上，推理速度达到每秒131.22个token；在RTX Spark NIX平台上达到每秒155.82个token。Flint支持最长256K token的上下文。

在基准测试中，Flint在编程、终端操作和指令遵循上，几乎全面压制了同等硬件能跑的对手（如Qwen 3.5/3.6和Laguna），部分指标甚至越级击败了体量更大的稠密模型（如Qwen 3.8和Gemma 4）。在复杂软件工程任务上，SWE-bench Pro v2得分接近90%；在指令遵循（IFBench）上，它拿下了全场最高分。

Eureka Machine参与的三大环节

首先是架构搜索。Flint共有49层，其中2层采用密集结构，另外47层采用MoE结构。注意力机制结合滑动窗口与全注意力，使用35层滑动窗口注意力和14层全注意力，窗口设为513个token。这些配置经过自动化探索与测试确定，而非完全依赖研究人员手工设计。

其次是量化。Recursive称，Eureka Machine将模型体积缩小了约71%，同时尽量控制精度损失。模型压缩后，更容易在消费级硬件上运行。索切尔接受《连线》（WIRED）采访时表示：

“我曾在配备48GB内存的Mac上使用Flint，完成命令行待办工具、网页爬虫和RSI原理介绍网站等小项目。”

第三是GPU内核优化。针对不同硬件调整底层计算实现，有助于提升推理速度。传统研发需要工程师反复编写、编译和测试内核，Eureka Machine则将这些工作纳入自动化流程。Flint的训练也从零开始，依次经过分词器构建、预训练、中段训练、监督微调和强化学习等阶段。Eureka Machine参与了整个训练管道的多个环节，并在不到四个月内完成了这款模型。

开源策略与商业化

Flint采用Apache 2.0协议开放权重，相关文件托管在Hugging Face上，包括模型配置、分词器、聊天模板和BF16检查点，并提供SGLang推理工具包。开发者可以自行部署模型，也可以根据需求进行修改和量化。不过，开放权重不等于所有研发环节都已完全开源。部分建模代码仍在完善中，企业托管API、服务等级协议（SLA）等商业服务也尚未公布。企业若要在生产环境中使用Flint，需要自行承担部署、维护和数据安全责任。

自动化研究的边界

Flint的意义在于展示了一种新的研发组织方式：让AI系统承担模型研究中的部分试错工作。Eureka Machine会提出候选方案、执行实验、检查结果，再根据反馈决定下一步尝试。它可以搜索架构配置、比较量化方案，也能针对特定硬件优化GPU内核。然而，这与完全自主的递归自我改进（RSI）仍有距离。研究问题由谁提出、优化目标如何设定，以及哪些结果值得继续投入，仍离不开人类的参与。

索切尔认为，外界对失控风险的部分担忧被夸大了。他强调：

“Eureka Machine目前仍处于人类监督之下，研发过程围绕明确的任务展开，研究人员能够检查结果并决定是否继续。”

但人类保留最终决定权，并不代表自动化系统不需要审查。随着实验数量增加，研究人员仍需确认测试是否可靠、优化结果是否可复现，以及系统有没有在特定指标上取得进步、却牺牲其他重要能力。

🚀 对企业 AI 化的启示

1. 开源模型降低本地部署门槛：Flint以398亿总参数、25亿激活参数的MoE架构，在消费级硬件上实现高速推理，且采用Apache 2.0协议免费商用。企业可基于此构建私有化编码智能体，减少对云端API的依赖，但需自行承担部署与安全责任。

2. AI参与研发提升效率：Eureka Machine在架构搜索、量化、内核优化等环节的自动化，将模型研发周期压缩至不到四个月。企业可借鉴此模式，在内部研发流程中引入AI辅助试错，加速实验迭代，但需保留人类对目标设定与结果评估的控制权。

3. 自动化研究的边界与治理：Flint证明AI能实质性参与模型研发，但尚未实现自主的递归自我改进。企业在推进AI自动化时，应建立审查机制，确保测试可靠、结果可复现，并平衡自动化程度与人类监督，避免在特定指标上进步而牺牲其他能力。

【官方原文链接】点击访问首发地址