Recursive wypuściła Flint, model open-weight do kodowania, 21 października 2026 r. Duża część badań stojących za tym modelem została przeprowadzona z pomocą AI, a cały model został stworzony przy udziale małego zespołu w mniej niż cztery miesiące. Otwarte pozostaje pytanie, czy takie podejście daje małym laboratoriom szansę konkurowania z największymi graczami w branży bez ogromnych inwestycji. Dla czytelników śledzących to zagadnienie premiera jest przypadkiem testowym: łączy niezwykle mały zespół z niezwykle zautomatyzowanym procesem badawczym, a obie części tej równania można weryfikować w czasie.

Flint wykorzystuje architekturę mieszanki ekspertów (mixture-of-experts), aktywując jednocześnie tylko niewielką część modelu, co pomaga mu działać wydajnie. Jego karta modelu wymienia 39,8 miliarda parametrów, z czego około 2,5 miliarda aktywnych na token. Licencja Apache 2.0 pozwala na użycie komercyjne, a deweloperzy mogą uruchamiać Flint lokalnie. Ta otwartość to praktyczny atut: każdy może pobrać wagi, je obejrzeć i uruchomić model na własnej maszynie bez klucza API ani rachunku za zużycie. To rzadka architektura mieszanki ekspertów sprawia też, że lokalne użycie jest realistyczne, ponieważ dla każdego tokenu pracuje tylko około 2,5 miliarda parametrów.

Co według Recursive zbudowała Eureka Machine

Recursive przypisuje swojej Eureka Machine sugerowanie, kodowanie i testowanie zmian w architekturze Flinta oraz w oprogramowaniu treningowym i inferencyjnym. CEO Richard Socher powiedział w WIRED, że AI poprawiło "praktycznie każdy aspekt całego potoku modelu".

To podejście jest kluczowe dla zadeklarowanego celu Recursive, jakim jest pomoc systemów AI w budowaniu lepszych następc. Socher podkreśla, że ludzie wciąż mogą przerwać proces badawczy. Jeśli ta teza się obroni, konsekwencją dla całej branży będzie zmiana miejsca, w którym koncentruje się praca nad modelami: mniej rutynowej inżynierii badawczej, więcej wymagających dużej mocy obliczeniowej eksperymentów.

Firmowe benchmarki i test WIRED

W testach przeprowadzonych przez Recursive Flint przewyższył inne modele typu mixture-of-experts o fewer than 50 miliardach parametrów w benchmarkach SWE-Bench Pro v2, Terminal-Bench 2.1 i SWE-Bench Verified. Firma zgłosiła także prędkości powyżej 125 tokenów na sekundę na M4 Pro MacBook Pro i 150 tokenów na sekundę na NVIDIA RTX Spark przy krótkich długościach kontekstu.

Ważna uwaga: to dane firmy, a niezależna ocena pozostaje ograniczona. Will Knight z WIRED sam przetestował Flint i uznał go za całkiem sprawny — potrafił nawet stworzyć małą stronę internetową. Jednak kilka udanych zadań programistycznych nie pokazuje, jak wypada na tle innych modeli.

OpenHands przeprowadził testy Flinta przed premierą i udostępnił go deweloperom w dniu wdrożenia. Choć wskazuje to, że Flint radzi sobie z realnymi zadaniami programistycznymi, OpenHands niezależnie nie ocenił twierdzeń Recursive dotyczących benchmarków. Ta luka jest najbardziej wymierne do obserwowania: benchmarki są publiczne, więc wyniki stron trzecich pokażą, czy liczby firmy bronią się poza jej własnym środowiskiem testowym.

Pytanie o 410 milionów dolarów: tani AI

Stworzenie modelu wymagającego mniej ludzi nie gwarantuje, że będzie tani. Recursive nie ujawniła, ile kosztowało zbudowanie Flinta. 28 lipca 2026 r. firma zawarła umowę o wartości 410 milionów dolarów z AWS, jak podał TechCrunch. Wcześniej pozyskała 650 milionów dolarów, a żadna z tych kwot nie pokazuje kosztu samego zbudowania Flinta. W kontekście pytania o małe laboratoria to komplikacja, którą warto mieć na uwadze: automatyzacja może zmniejszyć zatrudnienie, ale wydatki stojące za modelem sięgają wciąż setek milionów.

Badania Epoch AI wskazują, dlaczego koszty pozostają wysokie. Ostateczne przebiegi treningowe stanowiły 9,6% wydatków OpenAI na moc obliczeniową do badań w 2024 r., a większość środków przeznaczono na inne działania badawcze.

Agenci AI mogą przejąć część zadań wcześniej wykonywanych przez badaczy. Jednak prowadzenie eksperymentów i testowanie nowych pomysłów nadal wymaga dużej mocy obliczeniowej. Dlatego historie o malutkich zespołach budujących modele i historie o ogromnych budżetach obliczeniowych nie są sprzeczne: nakład pracy i nakład mocy obliczeniowej opowiadają dwie różne części historii kosztów.

Otwarte wagi, lokalny sprzęt i global konkurencja

Tymczasem korzystanie z AI staje się znacznie tańsze. AI szacuje, że koszt osiągnięcia porównywalnej wydajności spadł o około 47% na kwartał od 2023 r.

22 września 2026 r. OpenAI wprowadziło GPT-6 Sol i Luna w cenach co najmniej o 50% niższych od poprzedników, jak podało Cryptopolitan. Flint nie miał z tymi zmianami cen nic wspólnego. Daje jednak deweloperom kolejną opcję: model do kodowania, który mogą uruchomić na własnym sprzęcie bez polegania na płatnych usługach chmurowych.

Korzyści mogą sięgnąć poza ugruntowane rynki AI. Stanfordzki 2026 AI Index wykazał, że rozwój open-source pomaga większej liczbie krajów uczestniczyć w innowacjach AI. Model do kodowania na permiszywnej licencji, uruchamialny lokalnie, wpisuje się w ten trend, bo daje możliwości w ręce deweloperów, którzy nie mogą lub nie chcą płacić za dostęp do granicznych chmur.

Na razie Flint pokazuje, co mały zespół może osiągnąć dzięki badaniom wspomaganym przez AI. Czy to samo podejście uczyni rozwój modeli dostępnym cenowo dla mniejszych laboratoriów, pozostaje pytaniem otwartym. Krótkoterminowe sygnały do obserwacji to niezależne wyniki benchmarków, ujawnienie faktycznego kosztu budowy oraz to, ile kolejnego modelu Recursive napisze ostatecznie Eureka Machine.