Recursive 推出可在笔记本运行的编程模型

Recursive 发布的 Flint，把两个话题放到了一起：能在笔记本上运行的免费编程模型，以及 AI 参与研发下一代 AI。对程序员来说，眼前的价值是离线写代码、减少代码外传、免去按用量付费；更远的看点，是模型研发能否形成持续加速的循环。

但两件事的证据强度不同。Flint 已有公司测速和少量外部试用，完整的递归自我改进仍是目标。读这条新闻，需要把产品表现和研发愿景分开看。

笔记本能跑，靠的是每次只激活部分参数

Flint 是一个混合专家模型（MoE），总参数量为 400 亿，每次处理任务只激活其中的 25 亿。可以把它理解成：模型有很多组能力模块，一次计算只调动一部分，以降低计算开销。

激活参数少，有助于降低计算量，但不能直接当成模型的内存需求。

原文没有给出 Flint 的最低内存要求。它提到的外部试用设备，是一台配备 48GB 内存的 Mac。因此，「普通笔记本能跑」还需要结合具体配置判断，不能直接推到所有开发者的电脑上。

Recursive 给出的对照是 Meta 上周发布、面向 Mac 的开放模型 Muse Spark Open：后者有 8160 亿参数，至少需要 1TB 内存。这个比较能体现模型规模的差距，却不能单独证明谁更适合日常编程。

Flint 可从 Hugging Face 免费下载，采用允许免费使用和修改的 Apache 2.0 许可证。本地运行让开发者可以离线使用，也不用按处理文本量支付云端调用费。不过，免费指模型获取和许可，本地硬件与运行资源仍由使用者承担。

生成更快，是否就能更快修好代码

Recursive 在搭载 M4 Pro 的 MacBook Pro 上测得，Flint 每秒生成约 131 tokens。tokens 是模型处理文本的单位，不能直接等同于汉字或代码行。

同一台机器上，包括 Google Gemma 4、Nvidia Nemotron 3.5 Lightning 在内的同类模型，速度约为每秒 58 至 69 tokens。Flint 约快一倍；在 Nvidia RTX Spark 上，它超过了每秒 150 tokens。

能力方面，Flint 在衡量真实软件缺陷修复表现的 SWE-Bench Verified 上，超过了其他参数量低于 500 亿的模型。在 Recursive 自行汇总的六项测试平均成绩中，只有 Alibaba 的 Qwen3.8 27B 高于它。原文没有列出具体分数，也没有展开六项测试的加权方式。

这些结果支持「它值得试」，还不足以支持「它能替代大型付费编程助手」。

Recursive 自己也承认，Flint 需要更多引导，建议把大任务拆成小步骤。Wired 的 Will Knight 用它完成了待办应用、搜索网络研究资料的工具等几个小程序，并表示每次编程请求都成功了。他同时提到，小型编程模型通常容易出错，或比 Claude、Codex 慢。

这是一份积极的外部体验，但任务数量和复杂度有限。生成速度、一次请求成功，与在复杂仓库中完成修改、验证和返工，是不同层面的表现。

AI 参与了研发，但还没有证明研发能自动加速

Flint 背后的 Eureka Machine，是 Recursive 的自动化研究系统：提出想法、运行实验，再根据结果决定下一步尝试。公司称，它参与了从预训练、后训练到推理的几乎所有环节，帮助小团队在不到四个月内从零构建 Flint。

具体贡献包括更稀疏的模型结构、让模型缩小 71% 且质量几乎不损失的低比特训练，以及加速底层计算的定制内核。原文没有说明「缩小 71%」对应的精确测量口径，也没有给出各项优化的独立对照结果。

AI 参与了大量研发环节，不等于已经证实 AI 能独立完成递归自我改进。

递归自我改进指的是：AI 帮助造出更好的 AI，新模型再帮助研发下一代。Flint 展示的仍是有人监督的研究助手。Recursive 没有披露 Eureka Machine 究竟节省了多少研究时间，也没有提供不使用它时的研发成本对照。

公司的资源条件同样不能忽略。Recursive 去年成立，今年 5 月结束隐身状态时披露融资 6.5 亿美元、估值 46.5 亿美元，投资方包括 GV、Nvidia 和 AMD Ventures。CEO Richard Socher 曾任 Salesforce 首席科学家。公司还在 6 月与 AWS 达成 4.1 亿美元算力协议。「小团队」并不等于低成本研发。

原文还引用 OpenAI 上个月的说法：截至 8 月中旬，人类研究员每工作一天，AI agents 已累计工作 3.1 天。这个数字反映代理工作量，不能直接换算成研究产出提升 3.1 倍。

我的判断

我更看重 Flint 提供的本地编程选项。离线可用、代码留在自己的设备上、许可允许修改，这些价值比较明确。相比云端 Claude 或 Codex，它是否划算，取决于本地完成任务需要多少引导和返工，不能只比较每秒生成多少 tokens。

研发故事则应继续观察。Eureka Machine 的贡献目前主要来自公司陈述；「几乎不损失质量」和「加快下一代研发」都缺少充分的公开对照。Socher 设想由人监督、必要时停止完整的自我改进流程，但原文没有说明具体控制机制。

它是一个可供验证的产品，也是一次早期公开试验。两者都值得关注，但证据还不支持把它称为已经跑通的自动科研闭环。

能拿来做什么

• 有合适本地设备的开发者，可以先用 Flint 完成待办应用或小工具，并记录生成速度、运行错误和修改轮数，检验它能否减少实际工作时间。
• 日常 AI 编程时，可以采用公司建议的任务拆分方式：一次提出一个明确修改，验证通过后再继续，尤其适合需要较多引导的小模型。
• 对离线开发或代码隐私有需求的团队，可以评估本地运行路径，同时核实模型运行方式、配套工具和真实内存占用，别把 25 亿激活参数当成硬件配置依据。
• 比较 Flint 与现有助手时，用同一组实际编程任务衡量完成质量与总耗时；SWE-Bench Verified 排名和公司六项均分可以作为线索，不能代替自己的任务验证。