Recursive демонструє перший результат свого дослідницького процесу на основі ШІ з Flint

ШІ-стартап Recursive створив свою першу мовну модель за допомогою системи ШІ, яка самостійно пропонує, проводить і оцінює власні експерименти.

ШІ-стартап Recursive випустив Flint — свою першу мовну модель. Система ШІ під назвою «Eureka Machine» брала участь майже на кожному етапі розробки: самостійно пропонувала ідеї, реалізовувала їх, тестувала та планувала подальші експерименти на основі результатів.

Flint — це модель суміші експертів (MoE), розроблена для агентного програмування на локальному обладнанні; її створили за чотири місяці. Із загальної кількості 40 мільярдів параметрів на кожен токен активними є лише 2,5 мільярда. За твердженням Recursive, серед моделей MoE із менш ніж 50 мільярдами параметрів Flint очолює такі бенчмарки програмування, як SWE-Bench Pro v2, Terminal-Bench 2.1 і SWE-Bench Verified, випереджаючи, зокрема, Qwen3.6-35B-A3B і Laguna S 2.1. Результати ще не пройшли незалежної перевірки.

Модель покликана конкурувати зі щільними моделями в діапазоні від 25 до 40 мільярдів параметрів, працюючи при цьому більш ніж уп’ятеро швидше. За даними Recursive, на MacBook Pro з M4 Pro Flint генерує понад 125 токенів за секунду на коротких контекстах. На Nvidia RTX Spark із 64 ГБ пам’яті швидкість перевищує 150 токенів за секунду. Порівняно з аналогічними моделями інференс відбувається до двох разів швидше.

Eureka Machine самостійно обрала архітектуру, квантизацію та обчислювальні ядра

За словами Recursive, Eureka Machine автоматизує весь дослідницький цикл, паралельно випробовуючи різні підходи. Для Flint вона допомагала з навчальними даними, оптимізаторами, дизайном архітектури та налаштуванням інференсу. Три приклади показують, як система вплинула на продуктивність моделі.

Почавши з архітектури із загальною кількістю 35 мільярдів і 3 мільярдами активних параметрів, Eureka Machine протестувала різні конфігурації експертів. Фінальна конструкція із 40 мільярдами загальних і 2,5 мільярдами активних параметрів виявилася найкращим компромісом між швидкістю та продуктивністю програмування серед усіх випробуваних варіантів.

Під час квантизації система відійшла від поширеної практики й також зменшила вихідний шар до чотирьох бітів. Додатковий етап дистиляції мав компенсувати втрату точності, і, за даними Recursive, для цього знадобилося приблизно вдвічі менше кроків навчання, ніж у попередньому методі. Готова модель NVFP4 відстає від 16-бітної версії лише на 0,7 бала за сукупністю бенчмарків.

Eureka Machine також створила спеціалізовані обчислювальні ядра для Apple Silicon і Nvidia RTX Spark. На чипах Apple M4 і M5 мегаядро Metal об’єднує весь прямий прохід під час генерації токенів в одну операцію. Recursive стверджує, що саме ці оптимізації на кількох етапах розробки забезпечують високу швидкість інференсу.

Flint працює локально та поширюється з відкритими вагами

Flint підтримує контекстні вікна до 512 000 токенів, хоча Recursive рекомендує обмежувати їх до 256 000. Ваги моделі доступні на Hugging Face за ліцензією Apache 2.0. Підтримувані середовища виконання включають llama.cpp, Ollama, LM Studio, vLLM і SGLang. Recursive також випустила rec — власний рушій інференсу для Apple Silicon.

Усе це означає, що модель може працювати локально, не надсилаючи код на зовнішні сервери. Водночас Recursive визнає, що для складних завдань Flint потребує більше вказівок, ніж великі пропрієтарні моделі програмування. Компанія рекомендує розбивати масштабніші завдання на менші кроки.

Recursive робить ставку на створення ШІ, який постійно вдосконалює ШІ

Стартап, заснований Річардом Сохером та іншими фахівцями, зокрема колишнім дослідником DeepMind Тімом Роктешелем, вийшов із режиму stealth у травні 2026 року та залучив 650 мільйонів доларів за оцінки у 4,65 мільярда доларів. На той час Recursive не мала конкретних технічних результатів, які можна було б продемонструвати. Flint — перша загальнодоступна модель компанії, створена в межах її автоматизованого дослідницького процесу.

Довгострокова мета — створити суперінтелект, який постійно вдосконалює себе. Передбачається, що кожна нова модель робитиме Eureka Machine кращим дослідником, щоб наступне покоління моделей можна було створювати швидше та ефективніше. Зрештою Recursive хоче застосувати той самий підхід для автоматизації досліджень в інших наукових галузях.

Чи справді це призведе до прискорюваного самовдосконалення, поки що далеко не вирішено. Колишній керівник досліджень Google DeepMind Оріол Віньялс вважає самовдосконалення за допомогою ШІ реалістичним, але не очікує вибуху інтелекту. Пошук хороших дослідницьких ідей і надійна оцінка результатів залишаються особливо складними проблемами для систем ШІ.

Інші лабораторії ШІ також уже використовують ШІ для створення нових моделей. Anthropic заявляє, що Claude тепер виконує значну частину робіт із власної розробки, а OpenAI розгортає ШІ-агентів у всьому своєму дослідницькому процесі. Наскільки далеко насправді заходить ця автоматизація, досі обговорюється. Дослідження понад 700 журналів завдань показало, що ШІ-агенти виконують значну частину роботи, але люди досі ухвалюють більшість критично важливих дослідницьких рішень.

Саме ці кроки Recursive хоче автоматизувати за допомогою Eureka Machine. Flint — це перший конкретний результат, але він ще не доводить повного рекурсивного самовдосконалення. Для цього компанії потрібно було б показати, що модель, створена за допомогою Eureka Machine, справді робить саму Eureka Machine кращим дослідником.

Новини ШІ без хайпу — відібрані людьми

Підпишіться на THE DECODER, щоб читати матеріали без реклами, отримувати щотижневу розсилку про ШІ, наш ексклюзивний передовий звіт «AI Radar» шість разів на рік, повний доступ до архіву та доступ до розділу коментарів.