Recursive демонстрирует первый результат своего исследовательского процесса на основе ИИ с Flint

ИИ-стартап Recursive создал свою первую языковую модель с помощью ИИ-системы, которая самостоятельно предлагает, проводит и оценивает собственные эксперименты.

ИИ-стартап Recursive выпустил Flint — свою первую языковую модель. ИИ-система под названием «Eureka Machine» участвовала почти на каждом этапе разработки: самостоятельно предлагала идеи, реализовывала их, тестировала и планировала последующие эксперименты на основе полученных результатов.

Flint — модель со смесью экспертов (MoE), предназначенная для агентного программирования на локальном оборудовании. Она была создана за четыре месяца. Из 40 миллиардов общих параметров на каждый токен активны только 2,5 миллиарда. Recursive утверждает, что Flint лидирует в бенчмарках программирования SWE-Bench Pro v2, Terminal-Bench 2.1 и SWE-Bench Verified среди MoE-моделей (таких как Qwen3.6-35B-A3B и Laguna S 2.1) с менее чем 50 миллиардами параметров. Результаты пока не прошли независимую проверку.

Модель призвана конкурировать с плотными моделями в диапазоне от 25 до 40 миллиардов параметров, работая при этом более чем в пять раз быстрее. По данным Recursive, на MacBook Pro с M4 Pro Flint генерирует более 125 токенов в секунду при коротком контексте. На Nvidia RTX Spark с 64 ГБ памяти показатель превышает 150 токенов. По сравнению с аналогичными моделями скорость вывода увеличивается до двух раз.

Eureka Machine самостоятельно выбрала архитектуру, квантование и вычислительные ядра

Recursive утверждает, что Eureka Machine автоматизирует весь исследовательский цикл, параллельно тестируя несколько подходов. При создании Flint она помогала с обучающими данными, оптимизаторами, проектированием архитектуры и настройкой вывода. Три примера показывают, как система повлияла на производительность модели.

Начав с архитектуры с 35 миллиардами общих и 3 миллиардами активных параметров, Eureka Machine протестировала различные конфигурации экспертов. Финальная конструкция с 40 миллиардами общих и 2,5 миллиардами активных параметров оказалась лучшим компромиссом между скоростью и качеством программирования среди всех протестированных вариантов.

В случае квантования система пошла наперекор распространённой практике и также уменьшила выходной слой до четырёх бит. Дополнительный этап дистилляции должен был компенсировать потерю точности и, по данным Recursive, потребовал примерно вдвое меньше шагов обучения по сравнению с предыдущим методом. Готовая модель NVFP4 отстаёт от 16-битной версии всего на 0,7 пункта по совокупности бенчмарков.

Eureka Machine также создала специализированные вычислительные ядра для Apple Silicon и Nvidia RTX Spark. На чипах Apple M4 и M5 мегаядро Metal объединяет весь прямой проход при генерации токенов в одну операцию. Recursive утверждает, что именно эти оптимизации на нескольких этапах разработки обеспечивают высокую скорость вывода.

Flint работает локально и распространяется с открытыми весами

Flint поддерживает контекстное окно размером до 512 000 токенов, хотя Recursive рекомендует ограничивать его 256 000 токенами. Веса модели доступны на Hugging Face по лицензии Apache 2.0. Поддерживаемые среды выполнения включают llama.cpp, Ollama, LM Studio, vLLM и SGLang. Recursive также выпустила rec — собственный движок вывода для Apple Silicon.

Это означает, что модель может работать локально, не отправляя код на внешние серверы. Recursive признаёт, что Flint требует больше указаний при выполнении сложных задач, чем крупные проприетарные модели для программирования. Компания рекомендует разбивать большие задачи на небольшие этапы.

Recursive делает ставку на создание ИИ, который продолжит совершенствовать ИИ

Стартап, основанный Ричардом Сочером и другими специалистами, включая бывшего исследователя DeepMind Тима Роктэшеля, вышел из скрытого режима в мае 2026 года и привлёк 650 миллионов долларов при оценке в 4,65 миллиарда долларов. В то время Recursive не могла продемонстрировать конкретные технические результаты. Flint — первая общедоступная модель компании, созданная в рамках её автоматизированного исследовательского процесса.

Долгосрочная цель — создать сверхинтеллект, который постоянно совершенствует себя. Предполагается, что каждая новая модель будет делать Eureka Machine более эффективным исследователем, чтобы следующее поколение моделей можно было создавать быстрее и эффективнее. В конечном итоге Recursive хочет применить тот же подход для автоматизации исследований в других научных областях.

Далеко не ясно, приведёт ли это на самом деле к ускоряющемуся самосовершенствованию. Бывший руководитель исследовательского направления Google DeepMind Ориоль Виньяльс считает самосовершенствование с помощью ИИ реалистичным, но полагает, что взрыв интеллекта маловероятен. Поиск хороших исследовательских идей и надёжная оценка результатов остаются особенно сложными задачами для ИИ-систем.

Другие ИИ-лаборатории уже также используют ИИ для создания новых моделей. Anthropic утверждает, что Claude теперь выполняет значительную часть работы по собственной разработке, а OpenAI внедряет ИИ-агентов по всему исследовательскому конвейеру. Масштабы этой автоматизации по-прежнему остаются предметом дискуссий. Исследование более 700 журналов задач показало, что ИИ-агенты выполняют значительную часть работы, но люди по-прежнему принимают большинство ключевых исследовательских решений.

Именно эти этапы Recursive хочет автоматизировать с помощью Eureka Machine. Flint — первый конкретный результат, но он пока не доказывает возможность полноценного рекурсивного самосовершенствования. Для этого компании потребуется показать, что модель, созданная с помощью Eureka Machine, действительно делает саму Eureka Machine более эффективным исследователем.

Новости ИИ без хайпа — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный обзор передовых разработок «AI Radar» шесть раз в год, полный доступ к архиву и возможность комментировать материалы.