Recursive 发布可在笔记本运行的编码模型 Flint，称其主要由 AI 打造

Recursive是一家去年成立的 AI 初创公司，如今正逐渐名副其实。这家致力于打造能够自我改进的 AI 的公司，于周三发布了它的首个模型 Flint。Flint 是一个可在笔记本电脑上运行的免费编程模型，并且其开发过程主要借助了 AI 的帮助。

该公司表示，Recursive 称之为 Eureka Machine 的自动化研究系统，几乎参与了 Flint 开发的每一个环节。这使得一个小团队在不到四个月的时间里从零构建出这个模型。

Flint 是递归自我改进的一次早期公开测试：即 AI 可以构建更好的 AI，而后者又能构建出更优秀的 AI。这也是业内争论最激烈的理念之一。一些研究人员担心 AI 自我改进可能脱离人类控制。目前来看，Recursive 的版本更为受限：这是一个由人类监督的 AI 研究助手，它产出的模型小到可以装进一台笔记本电脑。

该公司于 5 月走出隐身模式，以 46.5 亿美元的估值完成 6.5 亿美元融资，投资方包括 GV、Nvidia 和 AMD Ventures。Recursive 由 CEO Richard Socher 领导，他曾是 Salesforce 的首席科学家。

由于 Flint 运行在用户自己的电脑上，而非公司的云服务器，开发者可以离线使用它、保持代码私密，并避开 AI 云服务按模型处理文本量收取的使用费。该模型可在分享 AI 模型的热门网站 Hugging Face 上免费下载，采用 Apache 2.0 许可证——一种允许自由使用和修改的开源许可证。

Flint 是一个混合专家模型，意味着它在处理任何给定任务时只使用自身的一小部分：在 400 亿个被称为参数的设置中，每次仅使用 25 亿个。这使它轻量到足以在普通笔记本电脑上运行，并且远小于 Meta 上周发布的、为 Mac 打造的开源模型 Muse Spark Open。Muse Spark Open 拥有 8160 亿参数，需要至少 1TB 的内存。

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 个 token（文本片段）——大约是同类模型在同一台机器上每秒 58 到 69 个 token 的两倍，这些模型包括 Google 的 Gemma 4 和 Nvidia 的 Nemotron 3.5 Lightning。在 Nvidia 的 RTX Spark 上，Flint 每秒生成量超过 150 个 token。

在 SWE-Bench Verified——一个衡量 AI 修复真实软件 bug 能力的基准测试上，Flint 的表现优于其他 500 亿参数以下的模型。在 Recursive 自己的六项测试平均值中，只有阿里巴巴的 Qwen3.8 27B 一个模型的得分高于 Flint。

该公司承认，Flint 需要比大型付费编程助手更多的引导，并建议将大型任务拆分为更小的步骤。尽管如此，早期评价仍然积极。《Wired》的 Will Knight 在一台 48GB 内存的 Mac 上使用 Flint 构建了几个小程序，包括一个待办事项应用和一个在网络上搜索研究资料的工具。他发现，较小的编程模型经常出错或速度较慢，不如 Claude 或 Codex，但 Flint 每次都完美完成了他的编程请求。

Eureka Machine 负责提出想法、运行实验，并利用结果决定下一步尝试什么。根据该公司的发布视频，它几乎参与了构建 Flint 的每一个环节，从预训练到后训练再到推理。

Recursive 表示，Eureka 的贡献包括更稀疏的模型结构、低比特训练——使 Flint 的体积缩小了 71% 且质量几乎没有损失——以及自定义内核，即加速底层计算的专用程序。

Recursive 没有透露 Eureka Machine 为其研究人员节省了多少时间，但依靠 AI 开展研究的并不止它一家。OpenAI 上个月表示，到 8 月中旬，其 AI 智能体每 1 个人类研究员的工作日，对应完成了 3.1 个工作日的工作量。

如果 Recursive 的押注成功，每个新模型应该都能在无需人工帮助的情况下承担更长时段的工作。该公司此前曾告诉 TechCrunch，其 6 月与 Amazon Web Services 达成的 4.1 亿美元算力交易“与其说关乎人头数，不如说关乎智能体数量”。

Socher 告诉 Wired，更长期的目标是让 Eureka Machine 实现完全的递归自我改进，由人类监督整个过程，并在出现问题时能够将其停止。Recursive 表示，每个新模型都应使 Eureka Machine 成为更优秀的研究者，帮助它更快地构建下一个模型。

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 报道 AI 领域的记者。他得到 Tarbell Center for AI Journalism 的支持，曾就读于加州大学伯克利分校。您可以通过发送电子邮件至 [email protected] 或通过 Signal 上的 adymehta.74 发送加密消息联系 Aditya。

查看简介