21 октября 2026 года Recursive выпустила Flint — модель для программирования с открытыми весами. Значительная часть исследований, стоящих за моделью, была проведена с помощью ИИ, а сама модель была создана небольшой командой менее чем за четыре месяца. Открытым остается вопрос: дает ли такой подход небольшим лабораториям шанс конкурировать с крупнейшими игроками отрасли без огромных инвестиций. Для тех, кто следит за этим вопросом, релиз — тестовый случай: он сочетает необычно малую команду с необычно автоматизированным исследовательским процессом, и обе части этого уравнения можно проверить со временем.

Flint использует архитектуру mixture-of-experts, активируя лишь небольшую часть модели за раз, что помогает ей работать эффективно. Согласно карточке модели, она содержит 39,8 млрд параметров, из которых около 2,5 млрд активны на каждый токен. Лицензия Apache 2.0 допускает коммерческое использование, и разработчики могут запускать Flint локально. Именно открытость — практическое преимущество: любой может скачать веса, изучить их и запустить модель на собственной машине без API-ключа и счетов за потребление. Разреженная архитектура mixture-of-experts — это то, что делает локальный запуск реалистичным, поскольку для любого токена работают лишь около 2,5 млрд параметров.

Что, по словам Recursive, построила Eureka Machine

Recursive утверждает, что ее Eureka Machine предлагала, писала и тестировала изменения архитектуры Flint, а также обучающего и инференс-программного обеспечения. Генеральный директор Ричард Сошер рассказал WIRED, что ИИ улучшил «почти каждый аспект всего конвейера модели».

Этот подход лежит в основе заявленной цели Recursive — создать системы ИИ, которые помогают строить лучших преемников. Сошер подчеркивает, что люди по-прежнему могут остановить исследовательский процесс. Если это утверждение подтвердится, значение для отрасли в целом будет в том, куда направляются усилия по разработке моделей: меньше — на рутинную исследовательскую инженерию, больше — на требующие вычислительных ресурсов эксперименты.

Бенчмарки компании и тест WIRED

В тестах, проведенных Recursive, Flint превзошел другие модели mixture-of-experts с числом параметров менее 50 млрд на SWE-Bench Pro v2, Terminal-Bench 2.1 и SWE-Bench Verified. Компания также сообщила о скорости выше 125 токенов в секунду на MacBook Pro с M4 Pro и 150 токенов в секунду на NVIDIA RTX Spark при короткой длине контекста.

Важное замечание: это данные самой, а независимая оценка пока ограничена. Уилл Найт из WIRED лично протестировал Flint и нашел его весьма умелым — модель даже смогла создать небольшой веб-сайт. Однако несколько успешных задач программирования не показывают, как модель соотносится с другими.

OpenHands тестировал Flint до его запуска и предоставил разработчикам доступ к нему в день выхода. Хотя это указывает на способность Flint решать реальные задачи программирования, OpenHands не проводил независимой оценки заявлений Recursive о бенчмарках. Именно этот пробел — главное, за чем стоит следить дальше: бенчмарки публичны, поэтому результаты третьих сторон покажут, подтверждаются ли цифры компании вне ее собственной тестовой среды.

Вопрос в 410 млн долларов: делает ли ИИ дешевым

Создание модели, требующей меньше людей, не гарантирует ее дешевизну. Recursive не раскрыла, сколько стоила разработка Flint. 28 июля 2026 года компания заключила сделку с AWS на 410 млн долларов, как сообщал TechCrunch. Ранее она привлекла 650 млн долларов, и ни одна из этих сумм не показывает стоимость самой разработки Flint. Применительно к вопросу о небольших лабораториях это ключевая оговорка: автоматизация может сократить штат, но расходы за моделью по-прежнему измеряются сотнями миллионов.

Исследование Epoch AI объясняет, почему расходы остаются высокими. Финальные прогоны обучения составили лишь 9,6% расходов OpenAI на исследовательские вычисления в 2024 году, а большая часть финансирования ушла на другие исследовательские мероприятия.

ИИ-агенты могут взять на себя часть задач, ранее выполнявшихся исследователями. Однако проведение экспериментов и проверка новых идей по-прежнему требуют больших вычислительных мощностей. Именно поэтому истории о крошечных командах, создающих модели, и истории об огромных вычислительных бюджетах не противоречат друг другу: затраты труда и затраты вычислений — это две разные части истории о стоимости.

Открытые веса, локальное железо и глобальная конкуренция

Тем временем использование ИИ становится намного дешевле. По оценке Epoch AI, стоимость достижения сопоставимой производительности с 2023 года снижается примерно на 47% в квартал.

22 сентября 2026 года OpenAI представила GPT-6 Sol и Luna по ценам как минимум на 50% ниже предшественников, как сообщал Cryptopolitan. Flint не имеет отношения к этим изменениям цен. Тем не менее он дает разработчикам еще один вариант: модель для программирования, которую можно запускать на собственном оборудовании, не полагаясь на платные облачные сервисы.

Выгоды могут выйти за рамки сложившихся рынков ИИ. Согласно 2026 AI Index Стэнфорда, разработка открытого кода помогает большему числу стран участвовать в инновациях в области ИИ. Свободно лицензированная модель для программирования, работающая локально, соответствует этой тенденции, поскольку предоставляет возможности разработчикам, которые не могут или не хотят платить за доступ к передовым облачным системам.

Пока что Flint показывает, чего может добиться небольшая команда с помощью ИИ-поддерживаемых исследований. Остается открытым вопрос, сможет ли тот же подход сделать разработку моделей доступной для небольших лабораторий. Ближайшие сигналы, за которыми стоит следить: независимые результаты бенчмарков, раскрытие реальной стоимости разработки и то, какую часть следующей модели Recursive в итоге напишет Eureka Machine.