La startup de IA Recursive publicó Flint, su primer modelo de lenguaje, informó The Decoder el 22 de octubre. Un sistema de IA llamado Eureka Machine participó en casi todas las etapas del desarrollo. Propuso ideas por su cuenta, las construyó, las probó y planificó los experimentos siguientes según los resultados.

Flint es un modelo de mezcla de expertos (MoE) pensado para programación con agentes en hardware local, y se construyó en cuatro meses. De sus 40.000 millones de parámetros totales, solo 2.500 millones se activan por token. Recursive afirma que Flint lidera benchmarks de programación como SWE-Bench Pro v2, Terminal-Bench 2.1 y SWE-Bench Verified entre los modelos MoE de menos de 50.000 millones de parámetros, como Qwen3.6-35B-A3B y Laguna S 2.1. Esos resultados todavía no tienen verificación independiente.

¿Qué tan rápido corre Flint en un computador personal?

El modelo apunta a competir con modelos densos de 25.000 a 40.000 millones de parámetros y correr más de cinco veces más rápido que ellos. En un MacBook Pro con M4 Pro, Flint genera más de 125 tokens por segundo con contextos cortos, según Recursive. En una Nvidia RTX Spark con 64 GB de memoria supera los 150. Frente a modelos similares, la inferencia es hasta dos veces más rápida.

Según los gráficos de la empresa, en un M4 Pro con 48 GB de memoria Flint iguala los puntajes de modelos densos mucho más lentos de entre 27.000 y 31.000 millones de parámetros. En el M4 Pro y en la RTX Spark genera alrededor del doble de tokens por segundo que modelos MoE comparables con contextos cortos. Entre los MoE dispersos de tamaño parecido, lidera los seis benchmarks de programación y de seguimiento de instrucciones que muestra Recursive, aunque modelos densos como Qwen 3.8 sacan más puntos en algunas pruebas.

La Eureka Machine eligió arquitectura, cuantización y kernels

Recursive dice que la Eureka Machine automatiza el ciclo de investigación completo y prueba varios enfoques en paralelo. En Flint ayudó con los datos de entrenamiento, los optimizadores, el diseño de la arquitectura y el ajuste de la inferencia. La empresa da tres ejemplos de cómo el sistema moldeó el rendimiento del modelo.

  • Arquitectura. Partiendo de un diseño de 35.000 millones de parámetros totales y 3.000 millones activos, la Eureka Machine probó distintas configuraciones de expertos. El diseño final de 40.000 y 2.500 millones fue el mejor equilibrio entre velocidad y desempeño en programación de todas las variantes que probó.
  • Cuantización. El sistema fue contra la práctica habitual y llevó también la capa de salida a cuatro bits. Un paso de destilación adicional debía recuperar la precisión perdida, y según Recursive necesitó cerca de la mitad de los pasos de entrenamiento que el método anterior. El modelo final en NVFP4 queda a solo 0,7 puntos de la versión de 16 bits en el conjunto de benchmarks.
  • Kernels. La Eureka Machine construyó kernels de cómputo especializados para Apple Silicon y para la Nvidia RTX Spark. En los chips M4 y M5 de Apple, un megakernel de Metal combina toda la pasada hacia adelante de la generación de tokens en una sola operación.

Recursive atribuye la velocidad de inferencia a esas optimizaciones repartidas en varias etapas del desarrollo.

¿Dónde se descarga y con qué se ejecuta?

Flint admite ventanas de contexto de hasta 512.000 tokens, aunque Recursive recomienda limitarlas a 256.000. Los pesos están en Hugging Face bajo licencia Apache 2.0. Entre los entornos compatibles figuran llama.cpp, Ollama, LM Studio, vLLM y SGLang. La empresa también publicó rec, su propio motor de inferencia para Apple Silicon.

Todo eso permite correr el modelo de forma local, sin mandar el código a servidores externos. Recursive reconoce que Flint necesita más guía en tareas complejas que los grandes modelos propietarios de programación, y recomienda dividir las tareas grandes en pasos más chicos.

La apuesta de Recursive

La startup, fundada por Richard Socher y otros, entre ellos el exinvestigador de DeepMind Tim Rocktäschel, salió del modo oculto en mayo de 2026 y levantó 650 millones de dólares con una valoración de 4.650 millones. En ese momento no tenía resultados técnicos concretos que mostrar. Flint es el primer modelo público que sale de su proceso de investigación automatizado.

El objetivo de largo plazo es construir una superinteligencia que se mejore a sí misma. Cada modelo nuevo debería hacer de la Eureka Machine una mejor investigadora, para que la generación siguiente se construya más rápido y con menos recursos. Más adelante Recursive quiere aplicar el mismo enfoque a automatizar la investigación en otros campos científicos.

Que esto produzca una automejora acelerada está lejos de estar resuelto. Oriol Vinyals, exlíder de investigación de Google DeepMind, considera realista la automejora asistida por IA pero ve poco probable una explosión de inteligencia. Encontrar buenas ideas de investigación y juzgar los resultados con confiabilidad siguen siendo problemas especialmente difíciles para los sistemas de IA.

Otros laboratorios ya usan IA para construir modelos nuevos. Anthropic dice que Claude se encarga de una parte grande de su propio trabajo de desarrollo, y OpenAI despliega agentes de IA en toda su cadena de investigación. Un estudio de más de 700 registros de tareas encontró que los agentes hacen buena parte del trabajo, pero que las decisiones de investigación críticas las siguen tomando personas.

Esos son justo los pasos que Recursive quiere automatizar con la Eureka Machine. Flint es un primer resultado concreto, pero todavía no prueba una automejora recursiva completa. Para eso la empresa tendría que mostrar que un modelo hecho con la Eureka Machine vuelve mejor investigadora a la propia Eureka Machine.