Recursive представила Flint — компактного AI для программирования, созданного в основном самим AI

Image: TechCrunch · Source

Стартап Recursive выпустил Flint, модель для программирования, работающую на ноутбуках и созданную преимущественно с помощью собственной системы исследований AI. Flint демонстрирует ранний этап рекурсивного самосовершенствования AI — развитие AI с помощью AI с перспективной производительностью и доступностью.

Сан-Францисский стартап в области AI Recursive представил Flint — новый AI-модель для программирования, которая является инновационным шагом в рекурсивном самосовершенствовании — концепции автономного создания улучшенных моделей AI самими системами AI. Запущенный 21 октября 2026 года Flint — это бесплатная, облегчённая модель программирования, разработанная для эффективной работы на обычных ноутбуках, знаменующая значительное достижение в развитии AI, где небольшой человеческий коллектив использовал исследовательский движок Recursive, названный Eureka Machine, для её создания менее чем за четыре месяца.

Eureka Machine — это автоматизированная исследовательская система, участвовавшая почти на всех этапах создания Flint, от предварительного обучения до оптимизации и вывода. Recursive приписывает ключевые достижения — такие как более разреженная архитектура модели, снижение размера на 71% за счёт низкобитного обучения с минимальной потерей качества и разработку специализированных вычислительных ядер — этому процессу, управляемому AI. Интегрируя AI в собственные исследовательские процессы, Recursive демонстрирует практический пример рекурсивного улучшения AI при сохранении человеческого контроля для безопасности и надзора.

Flint использует архитектуру «смеси экспертов», которая активирует около 2,5 миллиарда из 40 миллиардов параметров для конкретной задачи, что позволяет эффективно работать с умеренными вычислительными ресурсами. Этот дизайн резко контрастирует с гораздо более крупными моделями, например Muse Spark Open от Meta, требующей не менее терабайта памяти для своих 816 миллиардов параметров. Тесты показывают эффективность и скорость Flint: около 131 токена в секунду на MacBook Pro с чипом Apple M4 Pro, опережая сопоставимые модели, такие как Gemma 4 от Google и Nemotron 3.5 Lightning от Nvidia.

С точки зрения производительности Flint показал конкурентоспособные результаты на бенчмарке SWE-Bench Verified для исправления реальных ошибок в программном обеспечении, превзойдя другие модели менее 50 миллиардов параметров и заняв место сразу после Qwen3.8 27B от Alibaba в тестах Recursive. Несмотря на то, что для сложных задач Flint требует больше пользовательских указаний, чем крупные коммерческие ассистенты программирования, его точность и отзывчивость получили положительные ранние отзывы. Например, журналист Wired Уилл Найт успешно использовал Flint для разработки небольших приложений, отмечая его надёжность и скорость по сравнению с меньшими моделями кодирования.

Позволяя разработчикам запускать Flint на локальном оборудовании, Recursive предлагает преимущества такие, как офлайн-режим, повышенная конфиденциальность кода и отсутствие платежей за облачные сервисы. Модель доступна открыто через Hugging Face под лицензией Apache 2.0, поддерживая бесплатное использование и модификации.

Амбициозное видение Recursive включает дальнейшее развитие рекурсивных AI систем, которые смогут автономно выполнять более длительные исследовательские циклы с уменьшающимся вмешательством человека, обеспечивая при этом возможность мониторинга и прерывания процесса человеком при необходимости. Значительное финансирование компании — 650 миллионов долларов, привлечённых с момента скрытого основания, при поддержке известных инвесторов, таких как GV, Nvidia и AMD Ventures, а также стратегические партнёрства, включая соглашение о вычислительных мощностях на 410 миллионов долларов с Amazon Web Services, подчёркивают её приверженность этому подходу.

Flint, как осязаемый пример развития AI с помощью AI, ставит цель усовершенствовать Eureka Machine в более способного исследователя, который ускорит создание будущих, более сложных моделей AI. Этот прогресс является важной вехой в продолжающемся исследовании рекурсивного самосовершенствования в искусственном интеллекте.