Recursive 发布 Flint 笔记本端编码模型，称其主要由 AI 构建

Recursive 是一家去年成立的 AI 初创公司，如今正开始做到名副其实。该公司试图打造能够自我改进的 AI，并于周三发布了首个模型 Flint。Flint 是一款可在一台笔记本电脑上运行的免费编程模型，主要在 AI 的帮助下构建而成。

据公司介绍，Recursive 的自动化研究系统称为 Eureka Machine，协助完成了 Flint 开发中的几乎每一个步骤。这让一个小团队得以从零开始，在不到四个月内构建出该模型。

Flint 是对递归式自我改进的一次早期公开测试：这种理念认为，AI 可以构建更好的 AI，而后者又能构建更好的 AI。它也是业内最具争议的理念之一。一些研究人员担心，AI 自我改进可能脱离人类的控制。就目前而言，Recursive 的版本受到的限制更多：这是一个由人类监督的 AI 研究助手，并由此打造出一款小到可在笔记本电脑上运行的模型。

该公司于 5 月正式公开亮相，获得了 $650 million 融资，估值达到 $4.65 billion，投资方包括 GV、Nvidia 和 AMD Ventures。Recursive 由 CEO Richard Socher 领导，他曾任 Salesforce 首席科学家。

由于 Flint 在用户自己的计算机而非公司的云服务器上运行，开发者可以离线使用它，让代码保持私密，并避开 AI 云服务根据模型处理文本量收取的使用费。该模型可从热门 AI 模型分享网站 Hugging Face 免费下载，并采用 Apache 2.0 许可证，这是一种允许免费使用和修改的开源许可证。

Flint 是一种混合专家模型，这意味着它执行任何给定任务时只使用自身的一小部分：每次仅使用其 40 billion 个设置项（称为参数）中的 2.5 billion 个。因此它的体量足够轻，可在普通笔记本电脑上运行，而且远小于 Meta 的 Muse Spark Open，这是一款上周发布、为 Mac 打造的开放模型。Muse Spark Open 使用 816 billion 个参数，内存至少需要一个 terabyte。

Flint 的速度也很快。在 Recursive 的测试中，它在配备 Apple M4 Pro 芯片的 MacBook Pro 上每秒生成约 131 tokens（文本块），大致是同类模型在同一台机器上每秒 58 到 69 tokens 的两倍，其中包括 Google 的 Gemma 4 和 Nvidia 的 Nemotron 3.5 Lightning。在 Nvidia 的 RTX Spark 上，Flint 的速度超过了每秒 150 tokens。

在衡量 AI 修复现实软件漏洞能力的基准 SWE-Bench Verified 上，Flint 的表现优于其他参数量低于 50 billion 的模型。在 Recursive 自己对六项测试的平均统计中，只有阿里巴巴的 Qwen3.8 27B 模型得分高于 Flint。

公司承认，与大型付费编程助手相比，Flint 需要更多指导，并建议将大型任务拆分为更小的步骤。尽管如此，早期评价依然积极。《Wired》的 Will Knight 使用 Flint，在一台配备 48GB 内存的 Mac 上构建了多个小型程序，包括一款待办事项应用和一款在网上搜集研究资料的工具。他发现，与 Claude 或 Codex 相比，小型编程模型往往会出错或运行缓慢，但 Flint 每次都能精准完成他的编程请求。

Eureka Machine 会提出想法、进行实验，并根据结果决定下一步尝试什么。根据公司的发布视频，它参与了构建 Flint 的几乎所有环节，包括预训练、后训练和推理。

Recursive 表示，Eureka 的贡献包括更稀疏的模型形态、将 Flint 缩小 71% 且几乎不损失质量的低比特训练，以及自定义内核（专门用于加速底层计算的程序）。

Recursive 没有说明 Eureka Machine 为其研究人员节省了多少时间，但它并非唯一一家依靠 AI 开展研究的公司。OpenAI 表示，上个月，到 8 月中旬，人类研究员每工作 1 天，其 AI 智能体就完成了 3.1 个工作日的工作量。

如果 Recursive 的押注奏效，每个新模型都应能在没有人类帮助的情况下承担更长时间段的工作。该公司此前告诉 TechCrunch，其 6 月与 Amazon Web Services 达成的 $410 million 算力协议“与员工人数关系较小，更多关乎智能体数量”。

Socher 告诉 Wired，更长期的目标是让 Eureka Machine 实现完全的递归式自我改进，由人类监督这一过程，并在出现问题时能够将其停止。Recursive 表示，每个新模型都应让 Eureka Machine 成为更好的研究者，帮助它更快构建下一个模型。

当您通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。

Aditya Mehta 是 TechCrunch 的人工智能记者。他得到了 Tarbell Center for AI Journalism 的支持，并曾就读于 UC Berkeley。您可以发送电子邮件至 [email protected] 联系 Aditya，或在 Signal 上通过 adymehta.74 向他发送加密消息。

查看个人简介