Recursive 发布 Flint：一款不足四个月打造、主要由 AI 构建的开源权重编程模型
要点速览
- •Flint 是一款 39.8B 参数的混合专家编程模型，每个 token 约激活 2.5B 参数，采用 Apache 2.0 许可证，可在开发者自己的硬件上本地运行。
- •Recursive 将对 Flint 架构、训练和推理软件的提出、编写和测试改动归功于其 Eureka Machine，CEO Richard Socher 表示 AI 改进了整个模型管线的几乎每个方面。
- •在公司自行开展的测试中，Flint 在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 上超越了其他参数量少于 500 亿的混合专家模型，但独立评估仍然有限。
- •Recursive 此前融资 6.5 亿美元，并于 2026 年 7 月与 AWS 签订了 4.1 亿美元的算力协议，且尚未披露 Flint 的构建成本，这表明自动化减少了人力，却不一定减少整体支出。
- •Epoch AI 估计，自 2023 年以来，达到同等 AI 性能的成本每季度下降约 47%，斯坦福大学 2026 AI Index 发现开源开发正在帮助更多国家参与 AI 创新。
Recursive 于 2026 年 10 月 21 日发布了开源权重编程模型 Flint。该模型背后的许多研究工作是在 AI 的帮助下完成的，整个模型由一个小团队在不到四个月内构建完成。悬而未决的问题是：这种做法能否让小型实验室无需巨额投资就有机会与行业巨头竞争。对于关注这一问题的读者来说，这次发布是一个测试案例：它将一个规模异常小的团队与一个自动化程度异常高的研究流程结合在一起，而这两个因素都可以随时间推移加以验证。
Flint 采用混合专家（mixture-of-experts）设计，每次只激活模型的一小部分，这有助于其高效运行。其模型卡片列出 39.8B 参数，每个 token 约激活 2.5B 参数。Apache 2.0 许可证允许商业使用，开发者可以在本地运行 Flint。这种开放性是其实际吸引力所在：任何人都可以下载权重、进行检查，并在自己的机器上运行该模型，无需 API 密钥或按量计费。稀疏的混合专家设计也是本地使用得以实现的原因，因为对任意给定 token 而言，只有约 2.5B 参数在实际工作。
Recursive 称 Eureka Machine 构建了什么
Recursive 将对 Flint 架构、训练和推理软件的提出、编写和测试改动归功于其 Eureka Machine。CEO Richard Socher 告诉 WIRED，AI 改进了"整个模型管线的几乎每个方面"。
这一做法是 Recursive 所述目标的核心，即让 AI 系统帮助构建更好的后继模型。Socher 坚持认为，人们仍然可以中止研究过程。如果这一说法成立，对整个行业的影响在于模型开发精力的去向：用于日常研究工程的精力减少，而用于运行实验等计算密集型工作的精力增多。
公司基准测试与 WIRED 实测
在 Recursive 开展的测试中，Flint 在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 上超越了其他参数量少于 500 亿的混合专家模型。该公司还报告，在短上下文长度下，Flint 在 M4 Pro MacBook Pro 上的速度超过每秒 125 个 token，在 NVIDIA RTX Spark 上达到每秒 150 个 token。
一个重要的考量是：这些是公司自己提供的数据，独立评估仍然有限。WIRED 的 Will Knight 亲自测试了 Flint，发现它相当熟练，甚至能够创建一个小型网站。然而，少数成功的编程任务并不能说明它与其他模型相比表现如何。
OpenHands 在 Flint 发布前对其进行了测试，并在发布当天向开发者提供了访问权限。虽然这表明 Flint 有能力完成真实世界的编程任务，但 OpenHands 并未对 Recursive 的基准测试声明进行独立评估。这一空白是接下来最值得关注的：这些基准测试是公开的，因此第三方的结果将能显示该公司的数据在其自身测试环境之外是否依然成立。
关于廉价 AI 的 4.1 亿美元之问
构建一个需要更少人力的模型并不能保证它是廉价的。Recursive 尚未透露构建 Flint 的成本。2026 年 7 月 28 日，该公司与 AWS 签订了一项 4.1 亿美元的协议，据 TechCrunch 报道。此前该公司已融资 6.5 亿美元，而这些金额均未显示构建 Flint身的成本。对于小实验室的问题而言，这是需要正视的复杂因素：自动化可以减少人员数量，但模型背后的支出仍然高达数亿美元。
Epoch AI 的研究表明了支出居高不下的原因。2024 年，最终训练运行占 OpenAI 研究计算支出的 9.6%，大部分资金则分配给了其他与研究相关的活动。
AI 智能体可以接手一部分以前由研究人员承担的工作。然而，运行实验和测试新想法仍然需要大量算力。这就是为什么关于小团队构建模型的报道和关于巨额算力预算的报道并不矛盾：人力投入和算力投入分别讲述了成本故事的两个不同侧面。
开放权重、本地硬件与全球竞争
与此同时，使用 AI 的成本正变得低廉得多。Epoch AI 估计，自 2023 年以来，达到同等性能的成本每季度下降约 47%。
2026 年 9 月 22 日，OpenAI 推出 GPT-6 Sol 和 Luna，价格比其前代产品低至少 50%，正如 Cryptopolitan 所报道。Flint 与这些价格变动无关。尽管如此，它为开发者提供了另一种选择：一个可以在自有硬件上运行、无需依赖付费云服务的编程模型。
其益处可能超出既有的 AI 市场。斯坦福大学的 2026 AI Index 发现，开源开发正在帮助更多国家参与 AI 创新。一款采用宽松许可证、可本地运行的编程模型正符合这一趋势，因为它将能力交到了那些无法或不愿为前沿云服务付费的开发者手中。
目前，Flint 展示了一个小团队借助 AI 辅助研究能够取得的成就。同样的做法能否让小实验室负担得起模型开发，仍是一个悬而未决的问题。近期值得关注的信号包括：独立的基准测试结果、实际构建成本的披露，以及 Eureka Machine 最终会编写 Recursive 下一代模型的多少部分。
