Recursive ha rilasciato Flint, un modello di coding open-weight, il 21 ottobre 2026. Gran parte della ricerca alla base del modello è stata condotta con l'aiuto dell'AI, e l'intero modello è stato realizzato con il supporto di un piccolo team in meno di quattro mesi. La domanda aperta è se questo approccio crei la possibilità per i piccoli laboratori di competere con i più grandi protagonisti del settore senza investimenti enormi. Per chi segue questa questione, il rilascio è un caso di studio: abbina un team insolitamente ridotto a un processo di ricerca insolitamente automatizzato, ed entrambe le parti di questa equazione potranno essere verificate nel tempo.

Flint utilizza un'architettura mixture-of-experts, attivando solo una piccola parte del modello alla volta, il che lo aiuta a funzionare in modo efficiente. La sua model card elenca 39,8 miliardi di parametri, di cui circa 2,5 miliardi attivi per token. La licenza Apache 2.0 consente l'uso commerciale e gli sviluppatori possono eseguire Flint in locale. Questa apertura è il punto di forza pratico: chiunque può scaricare i pesi, esaminarli ed eseguire il modello sulla propria macchina senza una chiave API né una fatturazione a consumo. Anche l'architettura sparsa mixture-of-experts rende realistico l'uso locale, poiché solo circa 2,5 miliardi di parametri lavorano per ogni singolo token.

Cosa dice Recursive sulla costruzione da parte della Eureka Machine

Recursive attribuisce alla sua Eureka Machine il merito di aver suggerito, programmato e testato le modifiche all'architettura di Flint, al software di addestramento e a quello di inferenza. Il CEO Richard Socher ha dichiarato a WIRED che l'AI ha migliorato "quasi ogni aspetto dell'intera pipeline del modello".

Questo approccio è al centro dell'obiettivo dichiarato di Recursive: far sì che i sistemi AI contribuiscano a costruire successori migliori. Socher sostiene che le persone possano comunque interrompere il processo di ricerca. Se l'affermazione dovesse reggere, l'implicazione per l'intero settore riguarda il luogo in cui si concentra lo sviluppo dei modelli: meno ingegneria di ricerca di routine e più lavoro ad alta intensità dicolo legato all'esecuzione degli esperimenti.

Benchmark aziendali e una prova pratica di WIRED

Nei test condotti da Recursive, Flint ha superato gli altri modelli mixture-of-experts con meno di 50 miliardi di parametri su SWE-Bench Pro v2, Terminal-Bench 2.1 e SWE-Bench Verified. L'azienda ha inoltre segnalato velocità superiori a 125 token al secondo su un MacBook Pro M4 Pro e 150 token al secondo su un NVIDIA RTX Spark a contesti brevi.

Una considerazione importante: si tratta di numeri aziendali e la valutazione indipendente è ancora limitata. Will Knight di WIRED ha provato Flint personalmente e l'ha trovato piuttosto abile, capace persino di creare un piccolo sito web. Tuttavia, una manciata di attività di coding riuscite non mostra come si collochi rispetto ad altri modelli.

OpenHands ha condotto test su Flint prima del lancio e ha offerto agli sviluppatori l'accesso al modello il giorno del rilascio. Anche se questo indica che Flint è in grado di svolgere attività di coding nel mondo reale, OpenHands non ha valutato in modo indipendente le affermazioni di Recursive sui benchmark. Questo divario è l'aspetto più chiaro da seguire nei prossimi mesi: i benchmark sono pubblici, quindi i risultati di terze parti mostreranno se i numeri dell'azienda reggono al di fuori del proprio ambiente di test.

La domanda da 410 milioni di dollari sull'AI a basso costo

Creare un modello che richiede meno persone non è una garanzia che costi poco. Recursive non ha rivelato quanto è costato costruire Flint. Il 28 luglio 2026, l'azienda ha stipulato un accordo da 410 milioni di dollari con AWS, come riportato da TechCrunch. In precedenza aveva raccolto 650 milioni di dollari, e nessuno di questi importi mostra il costo effettivo della costruzione di Flint. Per la questione dei piccoli laboratori, questa è la complicazione da tenere presente: l'automazione può ridurre il numero di persone, ma la spesa alla base del modello resta comunque nell'ordine delle centinaia di milioni.

La ricerca di Epoch AI indica perché le spese restano elevate. I cicli finali di addestramento hanno rappresentato il 9,6% delle spese di calcolo per la ricerca di OpenAI nel 2024, con la maggior parte dei fondi destinata ad altre attività legate alla ricerca.

Gli agenti AI possono assumere alcuni compiti precedentemente gestiti dai ricercatori. Tuttavia, l'esecuzione degli esperimenti e il test di nuove idee richiedono ancora una grande quantità di potenza di calcolo. Ecco perché le storie sui piccolissimi team che costruiscono modelli e quelle sui budget di calcolo enormi non sono contraddittorie: l'input di lavoro e l'input di calcolo raccontano due parti diverse della storia dei costi.

Pesi aperti, hardware locale e competizione globale

Nel frattempo, l'uso dell'AI sta diventando molto più economico. AI stima che il costo per ottenere prestazioni comparabili sia diminuito di circa il 47% a trimestre dal 2023.

Il 22 settembre 2026, OpenAI ha presentato GPT-6 Sol e Luna a prezzi almeno del 50% inferiori rispetto ai loro predecessori, come riportato da Cryptopolitan. Flint non c'entra nulla con quelle riduzioni di prezzo. Resta però il fatto che offre agli sviluppatori un'altra opzione: un modello di coding che possono eseguire sul hardware senza dipendere da servizi cloud a pagamento.

I benefici potrebbero estendersi oltre i mercati AI consolidati. L'2026 AI Index di Stanford ha rilevato che lo sviluppo open-source sta aiutando più paesi a partecipare all'innovazione nell'AI. Un modello di coding con licenza permissiva ed eseguibile localmente rientra in questo schema, poiché mette la capacità nelle mani degli sviluppatori che non possono o preferiscono non pagare l'accesso al cloud di frontiera.

Per ora, Flint mostra cosa può riuscire a ottenere un piccolo team con una ricerca assistita dall'AI. Se lo stesso approccio possa rendere lo sviluppo di modelli accessibile ai laboratori più piccoli resta una domanda aperta. I segnali a breve termine da monitorare sono i risultati indipendenti dei benchmark, la divulgazione del costo effettivo della costruzione e quanta parte del prossimo modello di Recursive finirà per essere scritta dalla Eureka Machine.