Recursive 发布笔记本端编码模型 Flint，称大部分由 AI 参与构建

Recursive 是一家去年成立的人工智能初创公司，如今正开始名副其实。该公司致力于构建能够自我改进的 AI，于周三发布了其首个模型 Flint。Flint 是一个免费的编码模型，可以在笔记本电脑上运行，并且主要是在 AI 的帮助下构建的。

Recursive 称，其名为 Eureka Machine 的自动化研究系统几乎参与了 Flint 开发的每一个环节。这使得一个小团队能够在不到四个月的时间里从零开始构建该模型。

Flint 是对递归式自我改进的一次早期公开测试：即 AI 能够构建更好的 AI，而更好的 AI 又能构建出更更好的 AI。这也是业界争议最大的想法之一。一些研究人员担心，AI 自我改进可能会脱离人类控制。就目前而言，Recursive 的版本更为有限：一个由人类监督的 AI 研究助手，产出了一个小到可以在笔记本电脑上运行的模型。

该公司于 5 月结束隐身状态，获得 6.5 亿美元融资，估值达 46.5 亿美元，投资方包括 GV、Nvidia 和 AMD Ventures。Recursive 由 Salesforce 前首席科学家、CEO Richard Socher 领导。

由于 Flint 运行在用户自己的电脑上，而非公司的云服务器上，开发者可以离线使用它、保持代码私密，并避免 AI 云服务根据模型处理的文本量收取的使用费。该模型可在 Hugging Face（流行的 AI 模型分享网站）上免费下载，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 是一个混合专家模型，这意味着它在处理任何给定任务时只使用自身的一小部分：在其 400 亿个设置（称为参数）中，一次仅使用 25 亿个。这使它足够轻量，可以在普通笔记本电脑上运行，并且远小于 Meta 上周发布的、专为 Mac 构建的开放模型 Muse Spark Open。Muse Spark Open 使用 8160 亿个参数，至少需要 1TB 内存。 

Flint 的速度也很快。在 Recursive 的测试中，它在搭载 Apple M4 Pro 芯片的 MacBook Pro 上每秒生成约 131 个 token（文本块）——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 的生成速度超过每秒 150 个 token。

在衡量 AI 修复真实软件缺陷能力的基准测试 SWE-Bench Verified 上，Flint 的表现优于其他参数低于 500 亿的模型。在 Recursive 自己对六项测试的平均评分中，只有一个模型——阿里巴巴的 Qwen3.8 27B——得分高于 Flint。

该公司承认，Flint 比大型付费编程助手需要更多引导，并建议将大型任务拆分为更小的步骤。尽管如此，早期评价仍是正面的。  《连线》的 Will Knight 使用 Flint 在一台 48GB 内存的 Mac 上构建了几个小程序，包括一个待办事项列表应用和一个用于网络研究搜索的工具。他发现，与 Claude 或 Codex 相比，较小的编程模型经常出错或速度较慢，但 Flint 每次都准确完成了他的编程请求。 

Eureka Machine 会提出想法、运行实验，并利用结果来决定下一步尝试什么。根据该公司的发布视频，它参与了构建 Flint 的几乎每一个环节，从预训练到后训练和推理。 

Recursive 表示，Eureka 的贡献包括更稀疏的模型形态、低比特训练（使 Flint 缩小了 71%，而质量几乎无损）以及自定义内核，这些内核是加速底层计算的专用程序。

Recursive 没有说明 Eureka Machine 为研究人员节省了多少时间，但它并非唯一一家借助 AI 开展研究的公司。OpenAI 上个月表示，截至 8 月中旬，其 AI 智能体为人类研究员每工作一个工作日就记录了 3.1 个工作日。

如果 Recursive 的押注成功，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的工作。该公司此前告诉 TechCrunch，其 6 月与 Amazon Web Services 达成的 4.1 亿美元算力协议“与其说关乎员工人数，不如说关乎智能体数量”。

Socher 对《连线》表示，更长远的目标是让 Eureka Machine 实现完全递归式自我改进，由人类监督整个过程，并能在出现问题时将其停止。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，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。

Aditya Mehta 是 TechCrunch 报道 AI 的记者。他得到 Tarbell AI 新闻中心的资助，并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 上的加密消息（账号 adymehta.74）联系 Aditya。

查看简介