AI 創業公司 Recursive 成立於去年，如今似乎開始名副其實。該公司週三發布了其首個模型 Flint。Flint 是一款可在筆記型電腦上運行的免費編碼模型，據稱主要透過 AI 完成構建。
Recursive 表示，其自動化研究系統 Eureka Machine 幾乎參與了 Flint 開發的每一個步驟，這讓一個小團隊得以在不到四個月內從零開始完成這款模型。
Flint 是對「遞歸自我改進」的一次早期公開測試：即 AI 可以構建更好的 AI，而後者又能構建更好的 AI。這也是業界最具爭議的想法之一。一些研究人員擔心，AI 不斷自我改進可能會脫離人類控制。就目前而言，Recursive 的版本更有限：它是一個由人類監督的 AI 研究助手，所產生的模型足夠小，可以在筆記型電腦上運行。
該公司於今年5月結束隱身狀態，融資6.5億美元，估值46.5億美元，投資方包括 GV、英偉達 和 AMD Ventures。Recursive 由首席執行官 Richard Socher 領導，他曾任 Salesforce 首席科學家。
由於 Flint 在用戶自己的電腦上運行，而非公司的雲伺服器上，開發者可以離線使用，保持程式碼私密，並避免支付按模型處理文本量收費的 AI 雲服務費用。該模型可在熱門 AI 模型分享網站 Hugging Face 上免費下載，採用 Apache 2.0 許可證，這是一種允許自由使用和修改的開源許可證。
Flint 是一種混合專家模型，這意味著它在執行任何給定任務時僅調用其自身的一小部分：40 億個參數中，每次僅使用 25 億個。因此，它足夠輕量，可在普通筆記本電腦上運行，且比 Meta 上週發布、面向 Mac 的開源模型 Muse Spark Open 小得多。Muse Spark Open 使用 8160 億個參數，至少需要 1 TB 記憶體。
Flint 的速度也非常快。根據 Recursive 的測試，在搭載蘋果 M4 Pro 芯片的 MacBook Pro 上，它每秒可生成約 131 個 token（文本塊），大約是同一台機器上類似模型的兩倍，後者包括谷歌的 Gemma 4 和英偉達的 Nemotron 3.5 Lightning，速度為每秒 58 到 69 個 token。在英偉達 RTX Spark 上，Flint 的速度超過每秒 150 個 token。
在衡量 AI 修復真實軟體漏洞能力的基準 SWE-Bench Verified 上，Flint 的表現優於參數量低於 500 億的其他模型。根據 Recursive 在六項測試中的平均成績，只有阿里巴巴的 Qwen3.8 27B 得分高於 Flint。
公司承認，Flint 需要比大型付費編碼助手更多的引導，並建議將大型任務拆分成更小的步驟。儘管如此，早期評價還是積極的。Wired 記者 Will Knight 在一台配備 48GB 記憶體的 Mac 上使用 Flint 建構了幾個小程式，包括待辦事項應用和一個用於網路研究的工具。他發現，小型編碼模型往往會出錯，或與 Claude 或 Codex 相比速度較慢，但 Flint 每次都能準確完成他的編碼請求。
Eureka Machine 會提出想法、運行實驗，並利用結果決定下一步嘗試什麼。根據公司的發佈影片，它幾乎參與了構建 Flint 的每個部分，從預訓練到後訓練再到推理。
Recursive 表示，Eureka 的貢獻包括更稀疏的模型架構、低比特訓練——在幾乎不損失質量的情況下將 Flint 體積縮小了 71%——以及自定義內核，也就是用於加速底層計算的專用程式。
Recursive 沒有說明 Eureka Machine 為研究人員節省了多少時間，但它並不是唯一一家依賴 AI 進行研究的公司。OpenAI 上個月表示，截至 8 月中旬，其 AI 代理記錄的工作天數是人類研究員的 3.1 倍。
如果 Recursive 的押注奏效，每一個新模型都應當能夠在沒有人類幫助的情況下承擔更長時間的工作。該公司此前告訴 TechCrunch，其在 6 月與亞馬遜雲服務達成的 4.1 億美元算力協議「与其說是為了增加員工，不如說是為了增加智能體數量」。
Socher 在接受 Wired 採訪時表示，從長遠來看，目標是讓 Eureka Machine 實現完全的遞歸自我改進，由人類監督整個過程，並在出現問題時能夠叫停。Recursive 表示，每一個新模型都應讓 Eureka Machine 成為更好的研究者，從而幫助它更快地構建下一個模型。