Recursive 发布首个由 Eureka Machine 参与研发的模型 Flint

AI 初创公司 Recursive 使用一个能自行提出、运行和评估实验的 AI 系统构建了其首个语言模型。

AI 初创公司 Recursive 发布了其首个语言模型 Flint。名为 "Eureka Machine" 的 AI 系统参与了开发的几乎每个步骤，自行提出想法，构建它们，测试它们，并根据结果规划后续实验。

Flint 是一个为本地硬件上的自主编码设计的专家混合模型 (MoE)，它是在四个月内构建的。在总共 400 亿个参数中，每个 token 只有 25 亿个是活跃的。Recursive 声称 Flint 在 MoE 模型（例如 Qwen3.6-35B-A3B 和 Laguna S 2.1）中领先于 50 亿个参数以下的编码基准，如 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified。这些结果尚未经过独立验证。

在具有 48 GB 内存的 M4 Pro 上，Flint 的基准分数与 270 亿到 310 亿个参数范围中更慢的密集模型相当。 | 图片：Recursive

该模型旨在与 250 亿到 400 亿个参数范围内的密集模型竞争，同时运行速度超过五倍。根据 Recursive 的说法，在具有 M4 Pro 的 MacBook Pro 上，Flint 在短上下文中每秒生成超过 125 个 token。在具有 64 GB 内存的 Nvidia RTX Spark 上，它超过 150。与类似模型相比，推理速度提高了两倍。

在 M4 Pro 和 RTX Spark 上，Flint 在短上下文长度下每秒生成的 token 数量大约是同等 MoE 模型的两倍。 | 图片：Recursive

在大小相似的稀疏 MoE 模型中，Flint 在所有六个编码和指令遵循基准中都领先，尽管像 Qwen 3.8 这样的密集模型在某些测试中得分更高。 | 图片：Recursive

Eureka Machine 自行选择了架构、量化和计算内核

Recursive 表示 Eureka Machine 自动化了整个研究周期，并行运行多种方法。对于 Flint，它在训练数据、优化器、架构设计和推理调优方面提供了帮助。三个例子展示了该系统如何塑造模型的性能。

从总共 350 亿个参数和 30 亿个活跃参数的架构开始，Eureka Machine 测试了不同的专家配置。最终设计的总共 400 亿个参数和 25 亿个活跃参数的架构被证明是在所有测试变体中速度和编码性能之间最佳权衡。

在量化方面，该系统违背了常见做法，并将输出层减少到四位。增加的蒸馏步骤旨在恢复丢失的精度，根据 Recursive 的说法，它需要的训练步骤大约是之前方法的一半。完成的 NVFP4 模型在基准测试中仅落后于 16 位版本 0.7 分。

Eureka Machine 还为 Apple Silicon 和 Nvidia RTX Spark 构建了专门的计算内核。在 Apple 的 M4 和 M5 芯片上，一个 Metal 大内核在 token 生成期间将整个前向传递组合为单个操作。Recursive 表示，这些跨多个开发阶段的优化是实现高推理速度的原因。

Flint 可在本地运行，并附带开放权重

Flint 支持最多 512,000 个 token 的上下文窗口，尽管 Recursive 建议将其限制在 256,000。模型权重可在 Hugging Face 上获取，遵循 Apache 2.0 许可证。支持的运行时包括 llama.cpp、Ollama、LM Studio、vLLM 和 SGLang。Recursive 还发布了 rec，这是其专为 Apple Silicon 设计的推理引擎。

所有这些意味着该模型可以在本地运行，而无需将代码发送到外部服务器。Recursive 承认，与大型专有编码模型相比，Flint 在处理复杂任务时需要更多的指导。该公司建议将较大的任务分解成更小的步骤。

Recursive 正在押注，它能够构建能够不断改进自身 AI 的 AI。

由 Richard Socher 及包括前 DeepMind 研究员 Tim Rocktäschel 在内的其他人创立的这家初创公司，于 2026 年 5 月结束隐身状态，并以 46.5 亿美元的估值筹集了 6.5 亿美元。当时，Recursive 没有具体的成果可以展示。Flint 是该公司通过自动化研究过程首次公开发布的模型。

长期目标是构建一个能够不断自我改进的超智能体。每个新模型都旨在使 Eureka Machine 成为更好的研究员，以便下一代模型能够更快、更高效地构建。最终，Recursive 希望将相同的方法应用于自动化其他科学领域的研究。

这种做法是否真的能产生加速的自我改进尚未确定。前 Google DeepMind 研究主管 Oriol Vinyals 认为 AI 辅助的自我改进是现实的，但认为智能爆炸不太可能。找到好的研究想法和可靠地判断结果仍然是 AI 系统面临的特别困难的问题。

其他 AI 实验室也已经在使用 AI 来构建新模型了。 Anthropic 表示 Claude 现在处理了其大量自身开发工作，而 OpenAI 在其整个研究流程中部署了 AI 代理。这种自动化究竟会走多远仍在争论中。一项涉及 700 多项任务日志的研究发现，AI 代理处理了大部分工作，但人类仍然做出了大多数关键的研究决策。

这些是 Recursive 希望通过 Eureka Machine 自动化的步骤。Flint 是一个具体的初步成果，但它尚未证明完整的递归自我改进。为此，该公司需要证明，使用 Eureka Machine 构建的模型实际上使 Eureka Machine 本身成为更好的研究员。

AI 新闻无浮夸之谈 – 由人类编辑

订阅 THE DECODER 以获得无广告阅读、每周 AI 新闻、我们独有的 "AI 雷达" 前沿报告（每年六次）、完整档案访问以及访问我们的评论部分。