Recursive חושפת את Flint: המודל הראשון שלה, שפותח ברובו בתהליך מחקר אוטומטי

הסטארטאפ Recursive הציג את Flint, מודל השפה הראשון שלו. לפי החברה, מערכת AI פנימית בשם "Eureka Machine" הייתה מעורבת כמעט בכל שלב בפיתוח: היא הציעה רעיונות, יישמה ובדקה אותם, ותכננה את הניסויים הבאים לפי התוצאות. Flint מיועד למשימות תכנות, פותח בתוך ארבעה חודשים ומשוחרר עם משקלים פתוחים.

מודל גדול שמפעיל רק חלק קטן מעצמו

Flint בנוי בארכיטקטורת mixture-of-experts (MoE). זו שיטה שבה המודל מחולק ל"מומחים", ובכל שלב מופעלים רק חלק מהם. מתוך 40 מיליארד פרמטרים בסך הכול, רק 2.5 מיליארד פעילים בכל token. כך המודל אמור להתחרות במודלים "צפופים" (dense) בגודל 25 עד 40 מיליארד פרמטרים, ולרוץ מהר מהם פי חמישה ויותר.

לפי Recursive, על MacBook Pro עם שבב M4 Pro המודל מייצר יותר מ-125 tokens בשנייה בהקשרים קצרים, ועל RTX Spark של אנבידיה עם 64GB זיכרון יותר מ-150. החברה טוענת גם שבמבחני קוד כמו SWE-Bench Pro v2, ‏Terminal-Bench 2.1 ו-SWE-Bench Verified, ‏Flint מוביל בין מודלי MoE עם פחות מ-50 מיליארד פרמטרים, ובהם Qwen3.6-35B-A3B ו-Laguna S 2.1. חשוב לסייג: התוצאות האלה עדיין לא אומתו באופן עצמאי. גם לפי הנתונים של החברה עצמה, מודלים צפופים כמו Qwen 3.8 משיגים ציונים גבוהים יותר בחלק מהמבחנים.

מה בדיוק עשתה ה-Eureka Machine

Recursive מתארת שלוש דוגמאות. בארכיטקטורה, המערכת התחילה מתצורה של 35 מיליארד פרמטרים, מהם 3 מיליארד פעילים. היא בדקה כמה תצורות של מומחים והגיעה למבנה הסופי של 40 מיליארד ו-2.5 מיליארד, שנמצא כאיזון הטוב ביותר בין מהירות לביצועי קוד מבין הגרסאות שנבדקו.

בכימות (quantization, דחיסת המשקלים לדיוק נמוך יותר), המערכת הלכה נגד הנוהג המקובל ודחסה לארבעה ביטים גם את שכבת הפלט. כדי להחזיר את הדיוק שאבד היא הוסיפה שלב של distillation, ולפי החברה הוא דרש כמחצית מצעדי האימון של השיטה הקודמת. גרסת NVFP4 הסופית נמצאת בממוצע רק 0.7 נקודות מתחת לגרסת 16 הביט. בנוסף, המערכת כתבה kernels ייעודיים, כלומר רכיבי חישוב, לשבבי Apple Silicon ול-RTX Spark. בשבבי M4 ו-M5 מדובר ב-megakernel של Metal, שמאחד את כל המעבר דרך המודל ביצירת token לפעולה אחת.

רץ מקומית, עם מגבלות

Flint תומך בחלון הקשר של עד 512 אלף tokens, אבל החברה ממליצה להגביל אותו ל-256 אלף. המשקלים זמינים ב-Hugging Face ברישיון Apache 2.0, והמודל נתמך ב-llama.cpp, ‏Ollama, ‏LM Studio, ‏vLLM ו-SGLang. Recursive שחררה גם מנוע הרצה משלה ל-Apple Silicon בשם rec. המשמעות למפתחים: אפשר להריץ את המודל על המחשב בלי לשלוח קוד לשרתים חיצוניים. החברה מודה ש-Flint זקוק ליותר הכוונה ממודלי קוד קנייניים גדולים במשימות מורכבות, וממליצה לפרק משימות גדולות לשלבים קטנים.

ההימור הגדול: AI שבונה AI טוב יותר

Recursive נוסדה בין היתר על ידי ריצ'רד סושר ועל ידי טים רוקטשל, חוקר לשעבר ב-DeepMind. החברה יצאה מהצללים במאי 2026 וגייסה 650 מיליון דולר לפי שווי של 4.65 מיליארד דולר, בלי שהציגה אז תוצאות טכניות. היעד שלה לטווח הארוך הוא בינת-על שמשפרת את עצמה, כך שכל מודל יעזור לבנות את המודל הבא.

Flint הוא ההוכחה הציבורית הראשונה לכך שהתהליך האוטומטי של החברה מסוגל להוציא מודל שמיש. עם זאת, ככל הנראה מוקדם להסיק ממנו על שיפור עצמי של AI. ה-Eureka Machine ביצעה כאן אופטימיזציה הנדסית של מודל בגודל בינוני: בחירת ארכיטקטורה, כימות ו-kernels. זו עבודה מרשימה, אבל היא לא מראה שמודל שיפר את עצמו. עד שמבחנים עצמאיים יאשרו את המספרים, ועד ש-Recursive תראה שהמודלים שלה משפרים בפועל את המערכת שבנתה אותם, השאלה המרכזית שעליה מבוסס השווי שלה נשארת פתוחה.