Recursive 於2026年10月21日發布了開放權重編碼模型 Flint。這款模型背後的研究大部分是在 AI 的協助下完成，整個模型由一支小型團隊在不到四個月內打造而成。問題在於，這種做法是否能讓小型實驗室在無需巨額投資的情況下，與業界巨頭競爭。對關注此議題的讀者而言，這次發布本身就是一個測試案例：它將一支異常小的團隊與一個異常自動化的研究流程結合，而這兩個面向都可以隨著時間驗證。

Flint 採用混合專家（mixture-of-experts）架構，每次僅啟用模型的一小部分，使其能夠高效運行。其模型卡列出398億個參數，每個 token 約啟用25億個參數。Apache 2.0 授權允許商用，開發者也可以在本地運行 Flint。這種開放性正是其實際賣點：任何人都可以下載權重、檢視內容，並在自己的機器上運行模型，無需 API 金鑰或按量計費。稀疏的混合專家架構也是本地運行得以實現的原因，因為每個 token 實際只由約25億個參數處理。

Recursive 稱 Eureka Machine 打造了什麼

Recursive 將 Flint 架構、訓練與推論軟體的變更建議、編寫與測試歸功於其 Eureka Machine。執行長 Richard Socher 向 WIRED 表示，AI 改善了「整個模型流程的幾乎每一個環節」。

這種做法是 Recursive 所宣示目標的核心，即讓 AI 系統協助打造更好的後繼模型。Socher 堅稱，人類仍然可以中止研究流程。如果這一說法成立，對整個產業的意義在於模型開發精力的去向：例行性研究工程的比例降低，而運行實驗這類算力密集的工作比例提高。

公司基準測試與 WIRED 實測

在 Recursive 自行進行的測試中，Flint 在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 上超越了其他參數量少於500億的混合專家模型。該公司還表示，在短上下文長度下，Flint 在 M4 Pro MacBook Pro 上的速度超過每秒個 token，在 NVIDIA RTX Spark 上達到每秒150個 token。

一個重要的考量是：這些都是公司自己的數據，獨立評估仍然有限。WIRED 的 Will Knight 親自測試了 Flint，發現它相當熟練，甚至能建立一個小型網站。然而，少數成功的編碼任務並不能說明它與其他模型的比較結果。

OpenHands 在 Flint 發布前對其進行了測試，並在推出當天向開發者開放使用。雖然這表明 Flint 有能力執行真實世界的編碼任務，但 OpenHands 並未對 Recursive 的基準測試宣稱進行獨立評估。這個缺口是接下來最值得關注的重點：這些基準測試是公開的，第三方的測試結果將能驗證該公司的數據在自身測試環境之外是否成立。

關於廉價 AI 的4.1億美元疑問

打造一個需要更少人力的模型，並不保證它會很便宜。Recursive 並未透露打造 Flint 的成本。2026年7月28日，該公司與 AWS 簽訂了一項4.1億美元的協議，TechCrunch 曾報導。此前它已融資6.5億美元，而這些金額都沒有顯示打造 Flint 本身的成本。就小型實驗室的議題而言，這是必須留意的複雜之處：自動化可以減少人力，但模型背後的支出仍高達數億美元。

Epoch AI 的研究顯示了開支居高不下的原因。2024年，最終訓練運行僅佔 OpenAI 研究算力支出的9.6%，大部分資金則分配給其他研究相關活動。

AI 代理可以接手部分以往由研究人員處理的工作。然而，運行實驗和測試新想法仍需要大量的算力。這正是為什麼「小團隊打造模型」與「龐大算力預算」的故事並不矛盾：人力投入與算力投入分別訴說了成本故事的兩個不同部分。

開放權重、本地硬體與全球競爭

與此同時，使用 AI 的成本正變得越來越低。Epoch AI 估計，自2023年以來，達到同等效能的成本每季下降約47%。

2026年9月22日，OpenAI 以比前代至少低50%的價格推出 GPT-6 Sol 和 Luna，Cryptopolitan 曾報導。Flint 與這些價格調整無關。儘管如此，它為開發者提供了另一個選擇：一款可以在自家硬體上運行、無需依賴付費雲端服務的編碼模型。

這些好處可能延伸至成熟的 AI 市場之外。史丹佛大學的2026年 AI Index 發現，開源開發正在幫助更多國家參與 AI 創新。一款授權寬鬆可在本地運行的編碼模型正符合這一趨勢，因為它讓無法或不願支付前沿雲端服務費用的開發者也能獲得這種能力。

就目前而言，Flint 展示了一支小團隊在 AI 輔助研究下所能達成的成果。同樣的做法能否讓較小型實驗室負擔得起模型開發，仍是未知數。近期值得關注的訊號包括：獨立的基準測試結果、實際建造成本的披露，以及 Eureka Machine 最終會為 Recursive 的下一個模型編寫多少內容。