O lançamento do Flint e o papel da Eureka Machine
A Recursive, fundada por Richard Socher, apresentou em 21 de outubro de 2026 seu primeiro modelo, o Flint. Trata-se de um modelo de linguagem de pesos abertos projetado especificamente para a programação agêntica em hardware local. A característica mais distintiva deste lançamento não é apenas o modelo em si, mas o processo que o originou: o sistema de pesquisa automatizada da empresa, conhecido como Eureka Machine.
Segundo a companhia, a Eureka Machine interveio em quase todas as etapas do desenvolvimento, desde a definição da arquitetura até a otimização da inferência. Uma equipe reduzida de pesquisadores e agentes construiu o modelo do zero em menos de quatro meses, um prazo significativamente menor que o habitual na indústria para modelos desta envergadura. A empresa descreve este processo como um passo em direção à sua visão de uma superinteligência recursivamente auto-melhorável, embora, por ora, o sistema opere sob supervisão humana.
Arquitetura técnica: MoE de 40B parâmetros
O Flint utiliza uma arquitetura de mistura de especialistas (MoE) com 39,8 bilhões de parâmetros totais, arredondados para 40B na comunicação pública. A chave de sua eficiência reside no fato de que ele ativa apenas aproximadamente 2,5 bilhões de parâmetros por token processado. Esta configuração permite que o modelo mantenha uma capacidade de raciocínio competitiva enquanto reduz drasticamente a carga computacional durante a geração de texto.
O modelo é projetado como um decodificador de transformador com 49 camadas, das quais 47 são do tipo MoE e 2 são densas. Ele utiliza 256 especialistas roteados, ativando 6 por token mais um especialista compartilhado. A janela de contexto documentada atinge 262.144 tokens, embora a empresa recomende manter-se abaixo de 256.000 para otimizar o desempenho em tarefas de programação.
Especificações técnicas do Flint
Resumo das principais características do modelo conforme a ficha técnica publicada.
| Característica | Detalhe |
|---|---|
| Parâmetros totais | 39,8 bilhões (40B) |
| Parâmetros ativos por token | ~2,5 bilhões |
| Arquitetura | MoE (47 camadas MoE, 2 densas) |
| Contexto máximo | 262.144 tokens |
| Licença | Apache 2.0 |
Desempenho e velocidade de inferência
A Recursive relata que o Flint é até duas vezes mais rápido que os modelos comparáveis de sua classe. Em um MacBook Pro com chip M4 Pro, o modelo atinge mais de 125 tokens por segundo, enquanto em uma NVIDIA RTX Spark com 64 GB de memória supera os 150 tokens por segundo. Estas cifras correspondem a contextos curtos e utilizam o motor de inferência otimizado pela empresa.
Em termos de capacidade de resolução de tarefas, a empresa cita 89,7% no SWE-bench Pro v2, 74,2% no SWE-bench Verified e 54,9% no Terminal-Bench 2.1. É importante destacar que estes resultados são autorrelatados pela Recursive e não foram validados por entidades independentes até o momento. A empresa reconhece que o modelo pode requerer mais orientação e a divisão de tarefas complexas em subtarefas em comparação com modelos de código fechado de maior escala.
Benchmarks autorrelatados
Resultados de desempenho declarados pela Recursive no lançamento do Flint.
| Benchmark | Pontuação | Notas |
|---|---|---|
| SWE-bench Pro v2 | 89,7% | Autorrelatado |
| SWE-bench Verified | 74,2% | Pass@1, média de 5+ tentativas |
| Terminal-Bench 2.1 | 54,9% | Com acesso à internet |
Como funcionou a pesquisa autônoma
O sistema Eureka Machine não apenas ajustou hiperparâmetros, mas propôs e implementou melhorias estruturais. Segundo a documentação, o sistema partiu de uma configuração de referência e explorou diferentes arquiteturas de especialistas para encontrar o equilíbrio ótimo entre velocidade e precisão. Além disso, desenvolveu kernels especializados para acelerar as operações de baixa precisão e a atenção em hardware específico, como Apple Silicon e NVIDIA.
Uma das contribuições mais notáveis foi a otimização da quantização. A Eureka Machine conseguiu comprimir o modelo para 4 bits na camada de saída (lm_head) e aplicou uma etapa de destilação offline que reduziu quase pela metade os passos de treinamento necessários. O resultado foi uma versão NVFP4 que se manteve a menos de 0,7 pontos de distância do modelo de 16 bits nos testes internos, minimizando a perda de qualidade.
Ciclo de trabalho da Eureka Machine
Processo iterativo descrito pela Recursive para o desenvolvimento do Flint.
- 01Proposta de ideias e arquiteturas alternativas
- 02Implementação de mudanças em dados e treinamento
- 03Execução de experimentos e avaliação de resultados
- 04Otimização de kernels e inferência para hardware local
- 05Iteração baseada no desempenho medido
Disponibilidade e requisitos de hardware
Os pesos do Flint estão disponíveis no Hugging Face sob a licença Apache 2.0, o que permite seu uso, modificação e distribuição livres. O checkpoint principal em formato BF16 ocupa aproximadamente 80 GB, o que requer hardware de alto desempenho, como GPUs B300 ou H200, para sua execução completa.
Para facilitar a adoção em equipamentos de consumo, a Recursive está preparando variantes quantizadas para NVIDIA e Apple Silicon. Estas versões reduzem a memória necessária, permitindo executar o modelo em laptops modernos. O modelo é compatível com frameworks populares como llama.cpp, Ollama, LM Studio, vLLM e SGLang, além de um motor de inferência leve otimizado para dispositivos Apple.
Questões em aberto
- Não existem benchmarks independentes que validem as cifras de desempenho relatadas pela Recursive.
- Não foi especificado com precisão qual porcentagem exata do processo de treinamento foi realizada sem intervenção humana direta.
- As variantes quantizadas para hardware de consumo ainda estão em preparação e não estão disponíveis no repositório principal no momento do lançamento.
Continue a explorar
Fontes consultadas
Correções e transparência
Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.
Propor uma correção