استارتاپ Recursive که روی هوش مصنوعیِ خودبهبوددهنده کار می‌کند و ریچارد سوچر، دانشمند ارشد پیشین Salesforce، آن را اداره می‌کند، نخستین مدل خود را عرضه کرده است. Flint که ۲۱ اکتبر ۲۰۲۶ منتشر شد، برای برنامه‌نویسی روی لپ‌تاپ یا ایستگاه کاری خود توسعه‌دهنده طراحی شده و وزن‌هایش با مجوز Apache 2.0 در Hugging Face در دسترس است. شرکت این عرضه را آزمونی عملی برای Eureka Machine می‌داند؛ سامانه پژوهش خودکاری که به گفته Recursive تقریباً در همه مراحل ساخت مدل مشارکت داشته است.
Flint بر معماری ترکیب متخصصان بنا شده و در مجموع حدود ۴۰ میلیارد پارامتر دارد (طبق کارت مدل ۳۹٫۸ میلیارد) که برای هر توکن فقط نزدیک ۲٫۵ میلیارد از آن‌ها به کار می‌افتد. کارت مدل از ۴۹ لایه خبر می‌دهد که بیشترشان لایه‌های متخصص هستند؛ با ۲۵۶ متخصص قابل‌مسیریابی که برای هر توکن شش تا انتخاب می‌شوند و یک متخصص مشترک که همیشه فعال است. Recursive می‌گوید مدل را از صفر و در مراحل پیش‌آموزش، آموزش میانی، تنظیم دقیق نظارت‌شده و یادگیری تقویتی ساخته و تیمی کوچک از انسان‌ها و عامل‌های هوشمند کار را در کمتر از چهار ماه به پایان رسانده است. این مدل از متن، استدلال و فراخوانی چندمرحله‌ای ابزارها پشتیبانی می‌کند و شرکت توصیه می‌کند طول متن ورودی از ۲۵۶ هزار توکن بیشتر نشود.
ادعاهای عملکردی را خود Recursive مطرح کرده است. به گفته شرکت، Flint در آزمون‌های برنامه‌نویسی عامل‌محور میان مدل‌های ترکیب متخصصان با کمتر از ۵۰ میلیارد پارامتر رتبه نخست را دارد و در Terminal-Bench 2.1 امتیاز ۵۴٫۹ درصد، در SWE-bench Pro v2 امتیاز ۸۹٫۷ درصد و در SWE-bench Verified امتیاز ۷۴٫۲ درصد گرفته است. شرکت همچنین می‌گوید این مدل با مدل‌های متراکم ۲۵ تا ۴۰ میلیارد پارامتری برابری می‌کند و بیش از پنج برابر سریع‌تر است. TechCrunch یادآوری می‌کند که در میانگین شش آزمونِ محاسبه‌شده توسط Recursive، تنها مدل Qwen3.8 27B از Alibaba امتیاز بالاتری داشته است. کارت مدل هم هشدار می‌دهد که شرایط ارزیابی میان سازندگان متفاوت است و مقایسه‌ها کاملاً هم‌سنگ نیستند.
برگ برنده اصلی، سرعت است. به گفته Recursive، Flint با موتور اجرای بهینه‌شده شرکت روی یک MacBook Pro با تراشه M4 Pro بیش از ۱۲۵ توکن در ثانیه و روی NVIDIA RTX Spark با ۶۴ گیگابایت حافظه بیش از ۱۵۰ توکن در ثانیه در متن‌های کوتاه تولید می‌کند؛ یعنی تا دو برابر سریع‌تر از مدل‌های مشابه. افزون بر سازگاری با llama.cpp، Ollama، Unsloth، LM Studio، vLLM و SGLang، شرکت موتور استنتاج سبکی به نام rec را هم منتشر کرده که برای تراشه‌های M4 Pro و M5 اپل تنظیم شده است.
Recursive نقش مشخص Eureka Machine را هم شرح داده است. این سامانه با شروع از یک مدل پایه ۳۵ میلیارد پارامتری با ۳ میلیارد پارامتر فعال، چیدمان‌های گوناگون متخصصان را آزمود و به ساختار کم‌تراکم‌تر Flint رسید. پس از آموزش، برخلاف رویه رایج، لایه خروجی را به ۴ بیت کوانتیزه کرد و با یک مرحله تقطیر آفلاین دقت از دست رفته را جبران کرد، به طوری که نسخه NVFP4 در آزمون‌های شرکت کمتر از ۰٫۷ امتیاز با مدل ۱۶ بیتی فاصله دارد. این سامانه کرنل‌های اختصاصی هم نوشت، از جمله یک مگاکرنل Metal که کل گذر رمزگشایی را روی تراشه‌های M4 و M5 در یک مرحله ادغام می‌کند.
گزارش‌های مستقل زمینه بیشتری فراهم می‌کنند. ویل نایت از Wired این مدل را روی یک Mac با ۴۸ گیگابایت حافظه آزمود و آن را در پروژه‌های کوچک برنامه‌نویسی سریع و قابل‌اتکا یافت؛ حوزه‌ای که به گفته او مدل‌های هم‌اندازه معمولاً در آن خطا می‌کنند. TechCrunch و Wired هر دو یادآوری می‌کنند که Recursive امسال با ۶۵۰ میلیون دلار سرمایه و ارزش‌گذاری ۴٫۶۵ میلیارد دلاری از سوی سرمایه‌گذارانی مانند GV و Nvidia اعلام موجودیت کرد. سوچر به Wired گفته هدف بلندمدت، خودبهبودی بازگشتی کامل زیر نظارت انسان است؛ ایده‌ای که به نوشته Wired چند لایحه در کنگره آمریکا خواهان ممنوعیت آن هستند.
این عرضه هنوز پرسش‌هایی را بی‌پاسخ می‌گذارد. Recursive می‌پذیرد که Flint نسبت به دستیارهای بزرگ برنامه‌نویسی ابری به راهنمایی بیشتری نیاز دارد و پیشنهاد می‌کند کارهای بزرگ به گام‌های کوچک‌تر تقسیم شوند. میزان واقعی سهم Eureka Machine در توسعه مدل و زمانی که از پژوهشگران صرفه‌جویی کرده، توسط هیچ نهاد مستقلی بررسی نشده است و کارت مدل هشدار می‌دهد که Flint ممکن است کد معیوب یا فراخوانی نادرست ابزار تولید کند که باید بازبینی شود.