Recursive presenta Flint, una IA para codificación lista para laptop creada mayormente por IA

Image: TechCrunch · Source

La startup de IA Recursive lanzó Flint, un modelo de codificación diseñado para funcionar en laptops y creado principalmente con su sistema de investigación de IA. Flint ejemplifica la auto-mejora recursiva temprana, mostrando desarrollo asistido por IA con buen rendimiento y accesibilidad.

La startup de IA con sede en San Francisco, Recursive, ha presentado Flint, un novedoso modelo de IA para codificación que representa un paso innovador en la auto-mejora recursiva, el concepto de sistemas de IA que crean modelos mejorados de IA de manera autónoma. Lanzado el 21 de octubre de 2026, Flint es un modelo de codificación gratuito y liviano diseñado para funcionar eficientemente en laptops comunes, marcando un logro notable en el desarrollo de IA donde un pequeño equipo humano usó el motor de investigación de IA de Recursive, llamado Eureka Machine, para crearlo en menos de cuatro meses.

La Eureka Machine es un sistema de investigación automatizado que contribuyó en casi todas las etapas de la creación de Flint, desde el preentrenamiento hasta la optimización e inferencia. Recursive atribuye avances clave, como una arquitectura de modelo más dispersa, una reducción del 71 % en tamaño mediante entrenamiento con bajo número de bits y mínima pérdida de calidad, y el desarrollo de núcleos computacionales especializados, a este proceso impulsado por IA. Al integrar la IA en su flujo de trabajo de investigación, Recursive ilustra un ejemplo práctico de auto-mejora recursiva de la IA manteniendo supervisión humana para seguridad y control.

Flint presenta una arquitectura de mezcla de expertos que activa solo cerca de 2.5 mil millones de sus 40 mil millones de parámetros totales para cada tarea, permitiendo que funcione con recursos computacionales modestos. Este diseño contrasta fuertemente con modelos mucho más grandes como Muse Spark Open de Meta, que requiere al menos un terabyte de memoria para sus 816 mil millones de parámetros. Los benchmarks demuestran la eficiencia y velocidad de Flint, produciendo alrededor de 131 tokens por segundo en una MacBook Pro con chip Apple M4 Pro, superando a modelos comparables como Gemma 4 de Google y Nemotron 3.5 Lightning de Nvidia.

En cuanto a rendimiento, Flint mostró resultados competitivos en el benchmark SWE-Bench Verified para corregir errores reales de software, superando a otros modelos con menos de 50 mil millones de parámetros y situándose justo por debajo de Qwen3.8 27B de Alibaba en las pruebas de Recursive. A pesar de requerir más guía del usuario para tareas complejas que asistentes comerciales más grandes, la precisión y capacidad de respuesta de Flint han recibido críticas positivas iniciales. Por ejemplo, el reportero de Wired Will Knight usó Flint exitosamente para desarrollar pequeñas aplicaciones, destacando su fiabilidad y rapidez comparado con modelos de codificación más pequeños.

Al permitir a los desarrolladores ejecutar Flint en hardware local, Recursive ofrece beneficios como operación sin conexión, mayor privacidad del código y evitar costos por uso en la nube. El modelo está disponible públicamente a través de Hugging Face bajo la licencia Apache 2.0, apoyando el uso y modificación gratuitos.

La visión ambiciosa de Recursive incluye avanzar aún más los sistemas de IA recursivos para llevar a cabo ciclos de investigación más largos con menos intervención humana, mientras se asegura que los humanos puedan supervisar e interrumpir el proceso cuando sea necesario. La considerable financiación de la empresa —650 millones de dólares recaudados desde su inicio en modo sigiloso, respaldados por inversores prominentes como GV, Nvidia y AMD Ventures— y asociaciones estratégicas, incluyendo un acuerdo computacional de 410 millones de dólares con Amazon Web Services, subrayan su compromiso con este enfoque.

Con Flint como una demostración tangible del desarrollo asistido por IA de IA, Recursive apunta a perfeccionar su Eureka Machine para convertirla en una investigadora más capaz que acelere la creación de futuros modelos de IA más sofisticados. Este progreso marca un hito significativo en la exploración continua de la auto-mejora recursiva en la inteligencia artificial.