Recursive a publié Flint, un modèle de codage à poids ouverts, le 21 octobre 2026. Une grande partie de la recherche derrière ce modèle a été menée avec l'aide de l'IA, et le modèle entier a été créé avec l'assistance d'une petite équipe en moins de quatre mois. La question ouverte est de savoir si cette approche offre à de petits laboratoires la possibilité de rivaliser avec les plus grands acteurs du secteur sans investissement massif. Pour les lecteurs qui suivent cette question, cette sortie est un cas de test : elle associe une équipe exceptionnellement réduite à un processus de recherche exceptionnellement automatisé, et les deux volets de cette équation pourront être vérifiés avec le temps.

Flint utilise une conception mixture-of-experts, n'activant qu'une petite partie du modèle à la fois, ce qui l'aide à fonctionner efficacement. Sa fiche modèle indique 39,8 milliards de paramètres, dont environ 2,5 milliards actifs par token. La licence Apache 2.0 autorise l'usage commercial, et les développeurs peuvent exécuter Flint en local. Cette ouverture est l'atout pratique : chacun peut télécharger les poids, les inspecter et exécuter le modèle sur sa propre machine sans clé API ni facturation à l'usage. La conception éparse mixture-of-experts est aussi ce qui rend l'usage local réaliste, puisque seuls environ 2,5 milliards de paramètres travaillent pour un token donné.

Ce que Recursive dit avoir construit avec l'Eureka Machine

Recursive attribue à son Eureka Machine la suggestion, le codage et le test des modifications apportées à l'architecture, au logiciel d'entraînement et d'inférence de Flint. Le PDG Richard Socher a déclaré à WIRED que l'IA a amélioré « presque tous les aspects de l'ensemble du pipeline du modèle ».

Cette approche est au cœur de l'objectif affiché de Recursive : faire en sorte que les systèmes d'IA aident à construire de meilleurs successeurs. Socher soutient que les humains peuvent toujours interrompre le processus de recherche. Si cette affirmation se vérifie, l'implication pour l'industrie concerne la direction que prend l'effort de développement des modèles : moins dans l'ingénierie de recherche de routine, et plus dans le travail de calcul intensif qu'exigent les expériences.

Benchmarks de l'entreprise et essai de WIRED

Dans les tests menés par Recursive, Flint a surpassé les autres modèles mixture-of-experts de moins de 50 milliards de paramètres sur SWE-Bench Pro v2, Terminal-Bench 2.1 et SWE-Bench Verified. L'entreprise a également annoncé des vitesses supérieures à 125 tokens par seconde sur un MacBook Pro M4 Pro et 150 tokens par seconde sur un NVIDIA RTX Spark à court contexte.

Une considération importante : il s'agit de chiffres de l'entreprise, et l'évaluation indépendante reste limitée. Knight de WIRED a testé Flint lui-même et l'a trouvé assez performant, capable notamment de créer un petit site web. Toutefois, quelques tâches de codage réussies ne montrent pas comment il se compare aux autres modèles.

OpenHands a testé Flint avant son lancement et a donné accès aux développeurs le jour de son déploiement. Cela indique que Flint est capable de réaliser des tâches de codage réelles, mais OpenHands n'a pas évalué de manière indépendante les affirmations de Recursive concernant ses benchmarks. C'est cet écart qu'il faut surtout surveiller : les benchmarks sont publics, donc des résultats tiers montreront si les chiffres de l'entreprise tiennent hors de son propre environnement de test.

La question à 410 millions de dollars d'une IA bon marché

Créer un modèle qui nécessite moins de personnes ne garantit pas qu'il sera bon marché. Recursive n'a pas révélé combien a coûté la construction de Flint. Le 28 juillet 2026, l'entreprise a conclu un accord de 410 millions de dollars avec AWS, comme l'a rapporté TechCrunch. Elle avait auparavant levé 650 millions de dollars, et aucun de ces montants n'indique le coût de construction de Flint lui-même. Pour la question des petits laboratoires, c'est la complication à garder en vue : l'automatisation peut réduire les effectifs, mais les dépenses derrière le modèle se chiffrent tout de même en centaines de millions.

Les recherches d'Epoch AI expliquent pourquoi les dépenses restent élevées. Les entraînements finaux représentaient 9,6 % des dépenses de calcul de recherche d'OpenAI en 2024, la majorité du financement étant consacré à d'autres activités liées à la recherche.

Les agents d'IA peuvent prendre en charge certaines tâches auparavant effectuées par des chercheurs. Cependant, mener des expériences et tester de nouvelles idées exige toujours une grande puissance de calcul. C'est pourquoi les récits sur des équipes minuscules construisant des modèles et ceux sur des budgets de calcul énormes ne se contredisent pas : l'intrant travail et l'intrant calcul racontent deux volets différents de l'histoire des coûts.

Poids ouverts, matériel local et compétition mondiale

Parallèlement, l'utilisation de l'IA devient bien moins chère. Epoch AI estime que le coût nécessaire pour atteindre des performances comparables a baissé d'environ 47 % par trimestre depuis 2023.

Le 22 septembre 2026, OpenAI a lancé GPT-6 Sol et Luna à des prix au moins 50 % inférieurs à ceux de leurs prédécesseurs, comme l'a rapporté Cryptopolitan. Flint n'a rien à voir avec ces baisses de prix. Il offre néanmoins aux développeurs une option de plus : un modèle de codage qu'ils peuvent exécuter sur leur propre matériel sans dépendre de services cloud payants.

Les bénéfices pourraient dépasser les marchés de l'IA établis. L'indice AI 2026 de Stanford a révélé que le développement open source aide davantage de pays à participer à l'innovation en IA. Un modèle de codage sous licence permissive et exécutable en local s'inscrit dans cette dynamique, puisqu'il met cette capacité entre les mains de développeurs qui ne peuvent pas — ou ne veulent pas — payer pour accéder aux clouds de pointe.

Pour l'heure, Flint montre ce qu'une petite équipe peut accomplir avec une recherche assistée par l'IA. On ne sait pas encore si cette approche peut rendre le développement de modèles abordable pour les petits laboratoires. Les signaux à surveiller à court terme sont les résultats de indépendants, la divulgation du coût réel de la construction, et la part du prochain modèle de Recursive que l'Eureka Machine finira par écrire.