Recursive veröffentlichte Flint, ein Open-Weight-Coding-Modell, am 21. Oktober 2026. Ein Großteil der Forschung hinter dem Modell wurde mit Hilfe von KI durchgeführt, und das gesamte Modell entstand mit Unterstützung eines kleinen Teams in weniger als vier Monaten. Die offene Frage ist, ob dieser Ansatz kleinen Laboratorien die Chance eröffnet, ohne riesige Investitionen mit den größten Akteuren der Branche zu konkurrieren. Für Leser, die dieser Frage folgen, ist die Veröffentlichung ein Testfall: Sie verbindet ein ungewöhnlich kleines Team mit einem ungewöhnlich automatisierten Forschungsprozess, und beide Teile dieser Gleichung lassen sich im Laufe der Zeit überprüfen.

Flint verwendet ein Mixture-of-Experts-Design und aktiviert jeweils nur einen kleinen Teil des Modells, was einen effizienten Betrieb ermöglicht. Seine Modellkarte listet 39,8 Milliarden Parameter auf, mit etwa 2,5 Milliarden aktiven pro Token. Die Apache-2.0-Lizenz erlaubt kommerzielle Nutzung, und Entwickler können Flint lokal ausführen. Diese Offenheit ist der praktische Anreiz: Jeder kann die Gewichte herunterladen, prüfen und das Modell auf dem eigenen Rechner ohne API-Schlüssel oder nutzungsabhängige Rechnung betreiben. Das spärliche Mixture-of-Experts-Design macht die lokale Nutzung erst realistisch, da für jedes Token nur etwa 2,5 Milliarden Parameter die Arbeit leisten.

Was Recursive über die Eureka Machine sagt

Recursive schreibt seiner Eureka Machine zu, Änderungen an Flints Architektur, Trainings- und Inferenzsoftware vorgeschlagen, programmiert und getestet zu haben. CEO Richard Socher sagte WIRED, KI habe „fast jeden Aspekt der gesamten Modell-Pipeline“ verbessert.

Dieser Ansatz steht im Zentrum des erklärten Ziels von Recursive, KI-Systeme beim Bau besserer Nachfolgemodelle helfen zu lassen. Socher betont, dass Menschen den Forschungsprozess weiterhin stoppen können. Stimmt die Behauptung, bedeutet das für die Branche vor allem eine Verschiebung des Entwicklungsaufwands: weniger in routinemäßiger Forschungstechnik, mehr in der rechenintensiven Arbeit des Experimentierens.

Unternehmens-Benchmarks und ein Praxistest von WIRED

In von Recursive durchgeführten Tests übertraf Flint andere Mixture-of-Experts-Modelle mit weniger als 50 Milliarden Parametern bei SWE-Bench Pro v2, Terminal-Bench 2.1 und SWE-Bench Verified. Das Unternehmen meldete zudem Geschwindigkeiten von über 125 Tokens pro Sekunde auf einem M4 Pro MacBook Pro und 150 Tokens pro Sekunde auf einem NVIDIA RTX Spark bei kurzen Kontextlängen.

Ein wichtiger Punkt: Dies sind Unternehmenszahlen, und eine unabhängige Bewertung steht noch aus. WIREDs Will Knight testete Flint selbst und hielt es für durchaus tauglich – es konnte sogar eine kleine Webseite erstellen. Einige erfolgreiche Coding-Aufgaben zeigen jedoch nicht, wie es sich im Vergleich zu anderen Modellen schlägt.

OpenHands testete Flint vor der Veröffentlichung und gab Entwicklern am Tag des Rollouts Zugang dazu. Das zeigt zwar, dass Flint reale Coding-Aufgaben bewältigen kann, doch OpenHands hat Recursives Benchmarking-Behauptungen nicht unabhängig geprüft. Diese Lücke ist der wichtigste Punkt, den es weiter zu beobachten gilt: Die Benchmarks sind öffentlich, sodass Ergebnisse Dritter zeigen würden, ob die Unternehmenszahlen außerhalb des eigenen Testaufbaus Bestand haben.

Die 410-Millionen-Dollar-Frage nach billiger KI

Ein Modell zu bauen, das wenigerPersonal erfordert, garantiert nicht, dass es billig ist. Recursive hat nicht offengelegt, wie viel die Entwicklung von Flint kostete. Am 28. Juli 2026 schloss das Unternehmen einen 410-Millionen-Dollar-Deal mit AWS ab, wie TechCrunch berichtete. Zuvor hatte es 650 Millionen US-Dollar eingesammelt, und keine dieser Summen zeigt die Kosten für den Bau von Flint selbst. Für die Frage kleiner Labore ist dies der entscheidende Punkt: Automatisierung kann den Personalbedarf senken, aber die Ausgaben hinter dem Modell bewegen sich dennoch in Hundertmillionenhöhe.

Forschung von Epoch AI zeigt, warum die Kosten hoch bleiben. Die finalen Trainingsläufe machten 2024 nur 9,6 % der Research-Compute-Ausgaben von OpenAI aus; der Großteil der Mittel floss in andere forschungsbezogene Aktivitäten.

KI-Agenten können einige Aufgaben übernehmen, die früher Forscher erledigten. Das Ausführen von Experimenten und das Testen neuer Ideen erfordern jedoch weiterhin viel Rechenleistung. Deshalb widersprechen sich Berichte über winzige Teams, die Modelle bauen, und Berichte über enorme Rechenbudgets nicht: Der Arbeitsaufwand und der Rechenaufwand erzählen zwei verschiedene Teile der Kostengeschichte.

Offene Gewichte, lokale Hardware und globaler Wettbewerb

Mittlerweile wird die Nutzung von KI deutlich günstiger. Epoch AI schätzt, dass die Kosten für vergleichbare Leistung seit 2023 um etwa 47 % pro Quartal gesunken sind.

Am 22. September 2026 führte OpenAI GPT-6 Sol und Luna zu Preisen ein, die mindestens 50 % unter denen ihrer Vorgänger liegen, wie Cryptopolitan berichtete. diesen Preissenkungen hatte Flint nichts zu tun. Dennoch gibt es Entwicklern eine weitere Option: ein Coding-Modell, das sie auf eigener Hardware betreiben können, ohne auf kostenpflichtige Cloud-Dienste angewiesen zu sein.

Die Vorteile könnten über etablierte KI-Märkte hinausreichen. Stanfords 2026 AI Index stellte fest, dass Open-Source-Entwicklung mehr Ländern die Teilnahme an der KI-Innovation ermöglicht. Ein frei lizenziertes, lokal ausführbares Coding-Modell passt zu diesem Muster, da es Entwicklern Fähigkeiten in die Hand gibt, die den Zugang zu Cloud-Diensten der Spitzenklasse nicht bezahlen können oder wollen.

Fürs Erste zeigt Flint, was ein kleines Team mit KI-gestützter Forschung erreichen kann. Ob derselbe Ansatz die Modellentwicklung für kleinere Labore erschwinglich machen kann, bleibt eine offene Frage. Die wichtigsten Signale der nächsten Zeit sind unabhängige Benchmark-Ergebnisse, die Offenlegung der tatsächlichen Baukosten und der Anteil von Recursivs nächstem Modell, den die Eureka Machine am Ende selbst schreibt.