Recursive lanzó Flint, un modelo de programación de pesos abiertos, el 21 de octubre de 2026. Gran parte de la investigación detrás del modelo se realizó con la ayuda de la IA, y el modelo completo fue creado con la asistencia de un equipo pequeño en menos de cuatro meses. La pregunta abierta es si este enfoque crea una oportunidad para que laboratorios pequeños compitan con los jugadores más grandes de la industria sin una enorme inversión. Para los lectores que siguen esa pregunta, el lanzamiento es un caso de prueba: combina un equipo inusualmente pequeño con un proceso de investigación inusualmente automatizado, y ambas partes de esa ecuación pueden verificarse con el tiempo.

Flint utiliza un diseño mixture-of-experts, activando solo una pequeña parte del modelo a la vez, lo que le ayuda a funcionar de manera eficiente. Su model card lista 39.800 millones de parámetros, con unos 2.500 millones activos por token. La licencia Apache 2.0 permite el uso comercial, y los desarrolladores pueden ejecutar Flint localmente. Esa apertura es el gancho práctico: cualquiera puede descargar los pesos, inspeccionarlos y ejecutar el modelo en su propia máquina sin una clave de API ni una factura medida. El diseño mixture-of-experts disperso también es lo que hace realista el uso local, ya que solo unos 2.500 millones de parámetros hacen el trabajo para cada token.

Lo que Recursive dice que construyó la Eureka Machine

Recursive atribuye a su Eureka Machine el haber sugerido, programado y probado cambios en la arquitectura de Flint, su entrenamiento y su software de inferencia. El CEO Richard Socher le dijo a WIRED que la IA mejoró "casi todos los aspectos de todo el pipeline del modelo".

Ese enfoque es central para el objetivo declarado de Recursive de que los sistemas de IA ayuden a construir sucesores mejores. Socher sostiene que las personas aún pueden detener el proceso de investigación. Si la afirmación se mantiene, la implicación para la industria en general tiene que ver con hacia dónde va el esfuerzo de desarrollo de modelos: menos en la ingeniería de investigación rutinaria y más en el trabajo intensivo en cómputo de ejecutar experimentos.

Benchmarks de la empresa y una prueba práctica de WIRED

En pruebas realizadas por Recursive, Flint superó a otros modelos mixture-of-experts con menos de 50.000 millones de parámetros en SWE-Bench Pro v2, Terminal-Bench 2.1 y SWE-Bench Verified. La empresa también reportó velocidades superiores a 125 tokens por segundo en una MacBook Pro M4 Pro y 150 tokens por segundo en un NVIDIA RTX Spark en contextos cortos.

Una consideración importante: estas son cifras de la empresa, y la evaluación independiente sigue siendo limitada. Will Knight, de WIRED, probó Flint personalmente y lo encontró bastante capaz, incluso capaz de crear un pequeño sitio web. Sin embargo, algunas tareas de programación exitosas no muestran cómo se compara con otros modelos.

OpenHands realizó pruebas de Flint antes de su lanzamiento y proporcionó a los desarrolladores acceso el día de su despliegue. Si bien esto indica que Flint es capaz de realizar tareas de programación del mundo real, OpenHands no ha evaluado de forma independiente las afirmaciones de Recursive sobre sus benchmarks. Esa brecha es lo más claro a observar a continuación: los benchmarks son públicos, por lo que los resultados de terceros mostrar si las cifras de la empresa se mantienen fuera de su propio entorno de pruebas.

La pregunta de los 410 millones de dólares sobre una IA barata

Crear un modelo que requiera menos personas no garantiza que sea barato. Recursive no ha revelado cuánto costó construir Flint. El 28 de julio de 2026, la empresa firmó un acuerdo de 410 millones de dólares con AWS, como reportó TechCrunch. Previamente había recaudado 650 millones de dólares, y ninguno de estos montos muestra el costo de construir Flint en sí. Para la pregunta sobre los laboratorios pequeños, esta es la complicación a tener en vista: la automatización puede reducir el personal, pero el gasto detrás del modelo todavía alcanza los cientos de millones.

La investigación de Epoch AI indica por qué los gastos siguen siendo altos. Las ejecuciones finales de entrenamiento representaron el 9,6% de los gastos de cómputo de investigación de OpenAI en 2024, con la mayoría del financiamiento distribuido en otras actividades relacionadas con la investigación.

Los agentes de IA pueden asumir algunos trabajos que antes eran manejados por investigadores. Sin embargo, ejecutar experimentos y probar nuevas ideas todavía requiere una gran cantidad de poder de cómputo. Por eso las historias sobre equipos diminutos que construyen modelos y las historias sobre enormes presupuestos de cómputo no son contradicciones: el insumo de trabajo y el insumo de cómputo cuentan dos partes distintas de la historia de los costos.

Pesos abiertos, hardware local y competencia global

Mientras tanto, usar IA se está volviendo mucho más barato. AI estima que el costo de alcanzar un rendimiento comparable ha caído alrededor del 47% por trimestre desde 2023.

El 22 de septiembre de 2026, OpenAI presentó GPT-6 Sol y Luna a precios al menos 50% menores que sus predecesores, como reportó Cryptopolitan. Flint no tuvo nada que ver con esos cambios de precios. Aun así, ofrece a los desarrolladores otra opción: un modelo de programación que pueden ejecutar en su propio hardware sin depender de servicios en la nube de pago.

Los beneficios podrían llegar más allá de los mercados de IA establecidos. El 2026 AI Index de Stanford encontró que el desarrollo de código abierto está ayudando a que más países participen en la innovación de la IA. Un modelo de programación con licencia permisiva y ejecutable localmente encaja en ese patrón, ya que pone capacidades en manos de desarrolladores que no pueden o prefieren no pagar por acceso a la nube de frontera.

Por ahora, Flint muestra lo que un equipo pequeño puede lograr con investigación asistida por IA. Si el mismo enfoque puede hacer que el desarrollo de modelos sea asequible para laboratorios más pequeños sigue siendo una pregunta abierta. Las señales a corto plazo a observar son los resultados independientes de benchmarks, la divulgación de lo que costó realmente la construcción y cuánto del próximo modelo de Recursive termina escribiendo la Eureka Machine.