Il lancio di Flint e il ruolo di Eureka Machine
Recursive, fondata da Richard Socher, ha presentato il 21 ottobre 2026 il suo primo modello, Flint. Si tratta di un modello linguistico a pesi aperti progettato specificamente per la programmazione agentica su hardware locale. La caratteristica più distintiva di questo lancio non è solo il modello in sé, ma il processo che lo ha generato: il sistema di ricerca automatizzata dell'azienda, noto come Eureka Machine.
Secondo l'azienda, Eureka Machine è intervenuto in quasi tutte le fasi dello sviluppo, dalla definizione dell'architettura all'ottimizzazione dell'inferenza. Un team ridotto di ricercatori e agenti ha costruito il modello da zero in meno di quattro mesi, un termine significativamente inferiore alla norma nel settore per modelli di questa portata. L'azienda descrive questo processo come un passo verso la sua visione di una superintelligenza ricorsivamente auto-migliorante, sebbene al momento il sistema operi sotto supervisione umana.
Architettura tecnica: MoE da 40B parametri
Flint utilizza un'architettura Mixture of Experts (MoE) con 39,8 miliardi di parametri totali, arrotondati a 40B nella comunicazione pubblica. La chiave della sua efficienza risiede nel fatto che attiva solo circa 2,5 miliardi di parametri per ogni token elaborato. Questa configurazione consente al modello di mantenere una capacità di ragionamento competitiva riducendo drasticamente il carico computazionale durante la generazione del testo.
Il modello è progettato come un decoder di transformer con 49 layer, di cui 47 di tipo MoE e 2 densi. Utilizza 256 esperti instradati, attivandone 6 per token più un esperto condiviso. La finestra di contesto documentata raggiunge i 262.144 token, sebbene l'azienda raccomandi di restare al di sotto dei 256.000 per ottimizzare le prestazioni nei task di programmazione.
Specifiche tecniche di Flint
Riepilogo delle caratteristiche principali del modello secondo la scheda tecnica pubblicata.
| Caratteristica | Dettaglio |
|---|---|
| Parametri totali | 39,8 miliardi (40B) |
| Parametri attivi per token | ~2,5 miliardi |
| Architettura | MoE (47 layer MoE, 2 densi) |
| Contesto massimo | 262.144 token |
| Licenza | Apache 2.0 |
Prestazioni e velocità di inferenza
Recursive riporta che Flint è fino a due volte più veloce dei modelli comparabili della sua classe. Su un MacBook Pro con chip M4 Pro, il modello raggiunge oltre 125 token al secondo, mentre su una NVIDIA RTX Spark con 64 GB di memoria supera i 150 token al secondo. Queste cifre corrispondono a contesti brevi e utilizzano il motore di inferenza ottimizzato dall'azienda.
In termini di capacità di risoluzione dei task, l'azienda cita un 89,7% su SWE-bench Pro v2, un 74,2% su SWE-bench Verified e un 54,9% su Terminal-Bench 2.1. È importante sottolineare che questi risultati sono auto-riportati da Recursive e non sono stati validati da entità indipendenti fino ad oggi. L'azienda riconosce che il modello potrebbe richiedere più guida e la suddivisione di task complessi in sotto-task rispetto ai modelli closed-source di scala maggiore.
Benchmark auto-riportati
Risultati di prestazione dichiarati da Recursive al lancio di Flint.
| Benchmark | Punteggio | Note |
|---|---|---|
| SWE-bench Pro v2 | 89,7% | Auto-riportato |
| SWE-bench Verified | 74,2% | Pass@1, media di 5+ tentativi |
| Terminal-Bench 2.1 | 54,9% | Con accesso a internet |
Come ha funzionato la ricerca autonoma
Il sistema Eureka Machine non ha solo regolato gli iperparametri, ma ha proposto e implementato miglioramenti strutturali. Secondo la documentazione, il sistema è partito da una configurazione di riferimento ed ha esplorato diverse architetture di esperti per trovare l'equilibrio ottimale tra velocità e precisione. Inoltre, ha sviluppato kernel specializzati per accelerare le operazioni a bassa precisione e l'attenzione su hardware specifico come Apple Silicon e NVIDIA.
Uno dei contributi più notevoli è stata l'ottimizzazione della quantizzazione. Eureka Machine è riuscito a comprimere il modello a 4 bit nel layer di output (lm_head) e ha applicato una fase di distillazione offline che ha ridotto quasi della metà i passi di addestramento necessari. Il risultato è stata una versione NVFP4 che si è mantenuta a meno di 0,7 punti di distanza dal modello a 16 bit nei test interni, minimizzando la perdita di qualità.
Ciclo di lavoro di Eureka Machine
Processo iterativo descritto da Recursive per lo sviluppo di Flint.
- 01Proposta di idee e architetture alternative
- 02Implementazione di modifiche nei dati e nell'addestramento
- 03Esecuzione di esperimenti e valutazione dei risultati
- 04Ottimizzazione di kernel e inferenza per hardware locale
- 05Iterazione basata sulle prestazioni misurate
Disponibilità e requisiti di hardware
I pesi di Flint sono disponibili su Hugging Face sotto licenza Apache 2.0, il che ne consente l'uso, la modifica e la distribuzione libera. Il checkpoint principale in formato BF16 occupa circa 80 GB, il che richiede hardware ad alte prestazioni come le GPU B300 o H200 per l'esecuzione completa.
Per facilitare l'adozione su dispositivi consumer, Recursive sta preparando varianti quantizzate per NVIDIA e Apple Silicon. Queste versioni riducono la memoria necessaria, permettendo di eseguire il modello su laptop moderni. Il modello è compatibile con framework popolari come llama.cpp, Ollama, LM Studio, vLLM e SGLang, oltre che con un motore di inferenza leggero ottimizzato per i dispositivi Apple.
Questioni aperte
- Non esistono benchmark indipendenti che validino le cifre di prestazioni riportate da Recursive.
- Non è stato specificato con precisione quale percentuale esatta del processo di addestramento sia stata eseguita senza intervento umano diretto.
- Le varianti quantizzate per hardware consumer sono ancora in preparazione e non sono disponibili nel repository principale al momento del lancio.
Continua a esplorare
Fonti consultate
Correzioni e trasparenza
Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.
Proponi una correzione