Recursive bracht op 21 oktober 2026 Flint uit, een open-weight codingmodel. Een groot deel van het onderzoek achter het model werd uitgevoerd met behulp van AI, en het volledige model is gebouwd met de hulp van een klein team in minder dan vier maanden. De openbare vraag is of deze aanpak kleine laboratoria een kans geeft om te concurreren met de grootste spelers in de sector zonder enorme investeringen. Voor lezers die die vraag volgen, is deze release een testcase: het combineert een uitzonderlijk klein team met een uitzonderlijk geautomatiseerd onderzoeksproces, en beide delen van die vergelijking zijn in de loop van de tijd te controleren.

Flint gebruikt een mixture-of-experts-ontwerp en activeert telkens slechts een klein deel van het model, wat helpt om het efficiënt te laten draaien. De model card vermeldt 39,8 miljard parameters, met ongeveer 2,5 miljard actief per token. De Apache 2.0-licentie staat commercieel gebruik toe, en ontwikkelaars kunnen Flint lokaal draaien. Die openheid is de praktische trekpleister: iedereen kan de gewichten downloaden, inspecteren en het model op eigen machines draaien zonder API-sleutel of variabele rekening. Het sparse mixture-of-experts-ontwerp maakt lokaal gebruik ook realistisch, aangezien er voor elk token slechts ongeveer 2,5 miljard parameters het werk doen.

Wat Recursive zegt dat de Eureka Machine heeft gebouwd

Recursive schrijft aan zijn Eureka Machine toe dat deze veranderingen aan Flints architectuur, trainings- en inferentiesoftware heeft voorgesteld, gecodeerd en getest. CEO Richard Socher vertelde WIRED dat AI "vrijwel elk aspect van de volledige modelpijplijn" heeft verbeterd.

Die aanpak staat centraal in Recursives gestelde doel om AI-systemen te laten helpen betere opvolgers te bouwen. Socher houdt vol dat mensen het onderzoeksproces nog steeds kunnen stoppen. Als de claim standhoudt, gaat de implicatie voor de bredere sector over waar de inspanning voor modelontwikkeling naartoe gaat: minder in routinematige research engineering en meer in het rekenintensieve werk van het uitvoeren van experimenten.

Benchmarks van het bedrijf en een hands-on van WIRED

In tests uitgevoerd door Recursive presteerde Flint beter dan andere mixture-of-experts-modellen met minder dan 50 miljard parameters op SWE-Bench Pro v2, Terminal-Bench 2.1 en SWE-Bench Verified. Het bedrijf meldde ook snelheden van dan 125 tokens per seconde op een M4 Pro MacBook Pro en 150 tokens per seconde op een NVIDIA RTX Spark bij korte contextlengtes.

Eén belangrijke kanttekening: dit zijn cijfers van het bedrijf zelf, en onafhankelijke evaluatie is nog beperkt. WIRED's Will Knight testte Flint zelf en vond het behoorlijk bekwaam, zelfs in staat om een kleine website te maken. Een handvol succesvolle codingtaken zegt echter niet hoe het model zich verhoudt tot andere modellen.

OpenHands voerde vóór de lancering tests uit op Flint en gaf ontwikkelaars op de dag van de uitrol toegang. Hoewel dat aantoont dat Flint in staat is tot real-world codingtaken, heeft OpenHands de benchmarkclaims van Recursive niet onafhankelijk beoordeeld. Dat gat is het duidelijkste om vervolgens in de gaten te houden: de benchmarks zijn openbaar, dus resultaten van derden laten zien of de cijfers van het bedrijf standhouden buiten de eigen testopstelling.

De vraag van 410 miljoen dollar over goedkope AI

Een model bouwen dat minder mensen vereist, is geen garantie dat het goedkoop zal zijn. Recursive heeft niet bekendgemaakt hoeveel Flint heeft gekost om te bouwen. Op 28 juli 2026 sloot het bedrijf een deal van 410 miljoen dollar met AWS, zoals TechCrunch meldde. Eerder haalde het 650 miljoen dollar op, en geen van deze bedragen toont de kosten van de bouw van Flint zelf. Voor de kleine-laboratoriumvraag is dit de complicatie om in het achterhoofd te houden: automatisering kan het aantal medewerkers verkleinen, maar de uitgaven achter het model lopen toch in de honderden miljoenen.

Onderzoek van Epoch AI toont aan waarom de uitgaven hoog blijven. Definitieve trainingsruns maakten in 2024 9,6% uit van OpenAI's onderzoeksberekeningsuitgaven, waarbij het merendeel van de financiering naar andere onderzoeksactiviteiten ging.

AI-agents kunnen sommige taken overnemen die eerder door onderzoekers werden gedaan. Het uitvoeren van experimenten en het testen van nieuwe ideeën vergt echter nog steeds veel rekenkracht. Daarom zijn verhalen over kleine teams die modellen bouwen en verhalen over enorme rekenbudgetten geen tegenstrijdigheden: de arbeidsinput en de rekeninput vertellen elk een ander deel van het kostenverhaal.

Open gewichten, lokale hardware en mondiale concurrentie

Ondertussen wordt het gebruik van AI veel goedkoper. AI schat dat de kosten om vergelijkbare prestaties te bereiken sinds 2023 met ongeveer 47% per kwartaal zijn gedaald.

Op 22 september 2026 introduceerde OpenAI GPT-6 Sol en Luna tegen prijzen die minstens 50% lager waren dan die van hun voorgangers, zoals Cryptopolitan meldde. Flint had niets met die prijswijingen te maken. Toch geeft het ontwikkelaars een andere optie: een codingmodel dat ze op hun eigen hardware kunnen draaien zonder afhankelijk te zijn van betaalde clouddiensten.

De voordelen kunnen reiken voorbij gevestigde AI-markten. Stanford's 2026 AI Index stelde vast dat open-sourceontwikkeling meer landen helpt deelnemen aan AI-innovatie. Een vrij gelicenseerd, lokaal draaibaar codingmodel past in dat patroon, omdat het capaciteit in handen legt van ontwikkelaars die niet voor toegang tot frontier-cloudmodellen kunnen of willen betalen.

Voorlopig laat Flint zien wat een klein team kan bereiken met AI-ondersteund onderzoek. Of dezelfde aanpak modelontwikkeling betaalbaar kan maken voor kleinere laboratoria, blijft een open vraag. De signalen om op korte termijn in de gaten te houden, zijn onafhankelijke benchmarkresultaten, openbaarmaking van de werkelijke bouwkosten en hoeveel van Recursives volgende model de Eureka Machine uiteindelijk schrijft.