Flint es un modelo de codificación de peso abierto significativo porque sus eficientes 2,5 mil millones de parámetros activos permiten el despliegue local de agentes, mientras que su proceso de desarrollo automatizado demuestra un nuevo paradigma para la investigación en IA.
Resumen generado con IA. Consulta el original para comprobar el contexto y la precisión.
Este es el extracto disponible del feed. Puede estar abreviado o en el idioma original.
Recursive Superintelligence has released Flint, its first model. The Recursive Flint local coding model is a mixture-of-experts (MoE) model with 40B total and 2.5B active parameters. Recursive team states that its Eureka Machine, an automated research system, helped build nearly every part of the stack. The weights are on Hugging Face under Apache 2.0. TL;DR Size: 39.8B total, about 2.5B active per token. Context: 262,144 tokens documented on the model card; the blog cites up to 512k. Runs on: 48 GB Apple Silicon Macs (M4 Pro, M5 Pro, M5 Max) or 48 GB NVIDIA GPUs. 4-bit weights take about 23 GB. Performance: Tops Recursive’s chart among MoE models under 50B on agentic coding. Trails the strongest dense models. Best: IFEval 95.1%. SWE-bench Verified 74.2%. Worst: Terminal-Bench 2.1 at 54.9%, versus 73.0% for dense Qwen 3.8. What is Recursive Flint? Flint is a decoder-only MoE Transformer for coding agents. The model investigates codebases, fixes bugs, implements features and writes tests. It is text-only and supports reasoning and OpenAI-compatible tool calls. Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine.• Best-in-class fast local coding• Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark• Built from… pic.twitter.com/ufg2xScSGw— Richard Socher (@RichardSocher) October 21, 2026 How does Flint’s architecture work? Flint has 49 layers: 2 dense layers, then 47 MoE layers. Each MoE layer has 256 routed experts. A router selects 6 per token, plus 1 always-active shared expert. Attention mixes 2 types. 35 layers use a 513-token sliding window. 14 layers use full attention with no positional encoding. There are 32 query heads and 4 key/value heads. The 2.5B active figure includes the output head. The active body alone is about 2.2B parameters. How did the Eureka Machine build Flint? The Eureka Machine proposes ideas, impleme
Una ayuda automática para ordenar, basada en fuentes, palabras clave y entidades, en una escala de 1–12. Alta: 9–12; media: 6–8; baja: 1–5. No mide urgencia, verifica noticias ni representa respaldo editorial.
El durable-harness de código abierto de Vercel evita que los agentes de codificación pierdan trabajo durante fallos, permitiendo implementaciones en la nube confiables para equipos que utilizan diversas herramientas de IA para programar.
Kumo Relational de NVIDIA ofrece una alternativa sin entrenamiento al aprendizaje automático supervisado, afirmando un rendimiento superior específicamente para el análisis de datos relacionales.
Esto es importante porque demuestra un método práctico y eficiente para desarrollar políticas de control de robots en simulación antes de desplegarlas de forma segura en hardware físico.