Recursive präsentiert Flint, erstes Sprachmodell aus KI-gesteuerter Forschung
Das Startup Recursive stellt Flint vor, ein 40 Milliarden Parameter umfassendes MoE-Modell für lokales Coding, entwickelt von Ex-DeepMind-Forschern. Entstanden ist es in vier Monaten mit der hauseigenen Eureka Machine, die Architekturen eigenständig testet und optimiert.
Das KI-Startup Recursive hat sein erstes Sprachmodell mit einem KI-System entwickelt, das eigene Experimente vorschlägt, durchführt und auswertet.
Das KI-Startup Recursive hat Flint veröffentlicht, sein erstes Sprachmodell. Ein KI-System namens "Eureka Machine" war an fast jedem Schritt der Entwicklung beteiligt: Es schlug eigenständig Ideen vor, baute diese aus, testete sie und plante auf Basis der Ergebnisse weitere Experimente.
Flint ist ein Mixture-of-Experts-Modell (MoE), das für agentisches Programmieren auf lokaler Hardware konzipiert wurde, und entstand innerhalb von vier Monaten. Von insgesamt 40 Milliarden Parametern sind pro Token lediglich 2,5 Milliarden aktiv. Nach Angaben von Recursive führt Flint Coding-Benchmarks wie SWE-Bench Pro v2, Terminal-Bench 2.1 und SWE-Bench Verified unter MoE-Modellen mit weniger als 50 Milliarden Parametern an, etwa gegenüber Qwen3.6-35B-A3B und Laguna S 2.1. Die Ergebnisse wurden bislang noch nicht unabhängig überprüft.
Das Modell soll mit dichten Modellen im Bereich von 25 bis 40 Milliarden Parametern konkurrieren und dabei mehr als fünfmal schneller laufen. Auf einem MacBook Pro mit M4 Pro generiert Flint laut Recursive bei kurzen Kontexten mehr als 125 Token pro Sekunde. Auf einer Nvidia RTX Spark mit 64 GB Arbeitsspeicher sind es über 150. Im Vergleich zu ähnlichen Modellen ist die Inferenz damit bis zu doppelt so schnell.
Laut Recursive automatisiert die Eureka Machine den gesamten Forschungszyklus und verfolgt dabei mehrere Ansätze parallel. Bei Flint unterstützte sie bei Trainingsdaten, Optimizern, Architekturentwurf und Inferenz-Tuning. Drei Beispiele zeigen, wie das System die Leistung des Modells geprägt hat.
Ausgehend von einer Architektur mit 35 Milliarden Gesamtparametern und 3 Milliarden aktiven Parametern testete die Eureka Machine verschiedene Experten-Konfigurationen. Das finale Design mit 40 Milliarden Gesamtparametern und 2,5 Milliarden aktiven Parametern erwies sich unter allen getesteten Varianten als der beste Kompromiss zwischen Geschwindigkeit und Coding-Leistung.
Bei der Quantisierung ging das System gegen die gängige Praxis vor und reduzierte auch die Ausgabeschicht auf vier Bit. Ein zusätzlicher Distillation-Schritt sollte die verlorene Genauigkeit zurückgewinnen, und nach Angaben von Recursive benötigte er dafür nur etwa halb so viele Trainingsschritte wie das bisherige Verfahren. Das fertige NVFP4-Modell liegt über alle Benchmarks hinweg nur 0,7 Punkte hinter der 16-Bit-Version.
Die Eureka Machine erstellte zudem spezialisierte Compute-Kernels für Apple Silicon und Nvidia RTX Spark. Auf Apples M4- und M5-Chips fasst ein Metal-Megakernel den gesamten Forward Pass während der Token-Generierung in einer einzigen Operation zusammen. Nach Angaben von Recursive sind diese Optimierungen über mehrere Entwicklungsstufen hinweg der Grund für die hohe Inferenzgeschwindigkeit.
Flint unterstützt Kontextfenster von bis zu 512.000 Token, wobei Recursive empfiehlt, sie auf 256.000 zu begrenzen. Die Modellgewichte sind auf Hugging Face unter der Apache-2.0-Lizenz verfügbar. Unterstützte Runtimes sind llama.cpp, Ollama, LM Studio, vLLM und SGLang. Recursive hat außerdem rec veröffentlicht, eine eigene Inferenz-Engine für Apple Silicon.
Das bedeutet, dass das Modell lokal laufen kann, ohne Code an externe Server zu senden. Recursive räumt allerdings ein, dass Flint bei komplexen Aufgaben mehr Anleitung benötigt als große proprietäre Coding-Modelle. Das Unternehmen empfiehlt, größere Aufgaben in kleinere Schritte zu unterteilen.
Das Startup, das von Richard Socher und anderen gegründet wurde, darunter der ehemalige DeepMind-Forscher Tim Rocktäschel, trat im Mai 2026 an die Öffentlichkeit und sammelte bei einer Bewertung von 4,65 Milliarden US-Dollar 650 Millionen US-Dollar ein. Zu diesem Zeitpunkt konnte Recursive keine konkreten technischen Ergebnisse vorweisen. Flint ist das erste öffentlich zugängliche Modell des Unternehmens aus seinem automatisierten Forschungsprozess.
Das langfristige Ziel ist der Aufbau einer Superintelligenz, die sich kontinuierlich selbst verbessert. Jedes neue Modell soll die Eureka Machine zu einer besseren Forscherin machen, sodass die nächste Modellgeneration schneller und effizienter entwickelt werden kann. Langfristig will Recursive denselben Ansatz anwenden, um Forschung auch in anderen Wissenschaftsbereichen zu automatisieren.
Ob dies tatsächlich eine beschleunigte Selbstverbesserung hervorbringen wird, ist alles andere als geklärt. Der ehemalige Google-DeepMind-Research-Lead Oriol Vinyals hält KI-gestützte Selbstverbesserung für realistisch, hält eine Intelligenzexplosion jedoch für unwahrscheinlich. Das Finden guter Forschungsideen und die verlässliche Bewertung von Ergebnissen bleiben für KI-Systeme besonders schwierige Probleme.
Auch andere KI-Labore nutzen inzwischen KI zur Entwicklung neuer Modelle. Anthropic erklärt, Claude übernehme inzwischen einen großen Teil der eigenen Entwicklungsarbeit, während OpenAI KI-Agents in der gesamten Forschungspipeline einsetzt. Wie weit diese Automatisierung tatsächlich reicht, ist noch umstritten. Eine Untersuchung von mehr als 700 Aufgabenprotokollen ergab, dass KI-Agents zwar große Teile der Arbeit übernehmen, die wichtigsten Forschungsentscheidungen aber weiterhin von Menschen getroffen werden.
Genau diese Schritte will Recursive mit der Eureka Machine automatisieren. Flint ist ein erstes konkretes Ergebnis, beweist aber noch keine vollständige rekursive Selbstverbesserung. Dafür müsste das Unternehmen zeigen, dass ein mit der Eureka Machine entwickeltes Modell die Eureka Machine selbst tatsächlich zu einer besseren Forscherin macht.
Abonniert THE DECODER für werbefreies Lesen, einen wöchentlichen KI-Newsletter, unseren exklusiven "AI Radar" Frontier-Report sechs Mal im Jahr, vollen Archiv-Zugang und Zugang zu unserem Kommentarbereich.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
AI startup Recursive built its first language model with an AI system that proposes, runs, and evaluates its own experiments.
AI startup Recursive has released Flint, its first language model. An AI system called "Eureka Machine" was involved in nearly every step of development, proposing ideas on its own, building them out, testing them, and planning follow-up experiments based on the results.
Flint is a mixture-of-experts model (MoE) designed for agentic coding on local hardware, and it was built in four months. Out of 40 billion total parameters, only 2.5 billion are active per token. Recursive claims Flint leads coding benchmarks like SWE-Bench Pro v2, Terminal-Bench 2.1, and SWE-Bench Verified among MoE models (such as Qwen3.6-35B-A3B and Laguna S 2.1 ) with fewer than 50 billion parameters. The results haven't been independently verified yet. Ad
The model is meant to compete with dense models in the 25 to 40 billion parameter range while running more than five times faster. On a MacBook Pro with M4 Pro, Flint generates more than 125 tokens per second at short contexts, according to Recursive. On an Nvidia RTX Spark with 64 GB of memory, it tops 150. Compared to similar models, inference is up to twice as fast. Ad
Recursive says the Eureka Machine automates the entire research cycle, running multiple approaches in parallel. For Flint, it helped with training data, optimizers, architecture design, and inference tuning. Three examples show how the system shaped the model's performance.
Starting from an architecture with 35 billion total and 3 billion active parameters, the Eureka Machine tested different expert configurations. The final design of 40 billion total and 2.5 billion active parameters turned out to be the best tradeoff between speed and coding performance among all the variants it tested. Ad
For quantization, the system went against common practice and reduced the output layer to four bits as well. An added distillation step was meant to recover the lost accuracy, and according to Recursive, it needed roughly half as many training steps as the previous method. The finished NVFP4 model sits only 0.7 points behind the 16-bit version across benchmarks.
The Eureka Machine also built specialized compute kernels for Apple Silicon and Nvidia RTX Spark. On Apple's M4 and M5 chips, a Metal megakernel combines the entire forward pass during token generation into a single operation. Recursive says these optimizations across multiple development stages are what enable the high inference speed. Ad
Flint supports context windows of up to 512,000 tokens, though Recursive recommends capping it at 256,000. The model weights are available on Hugging Face under the Apache 2.0 license. Supported runtimes include llama.cpp, Ollama, LM Studio, vLLM, and SGLang. Recursive also released rec, its own inference engine for Apple Silicon. Ad
All of that means the model can run locally without sending code to external servers. Recursive does acknowledge that Flint needs more guidance on complex tasks than large proprietary coding models. The company recommends breaking bigger tasks into smaller steps.
The startup, founded by Richard Socher and others including former DeepMind researcher Tim Rocktäschel, came out of stealth in May 2026 and raised $650 million at a $4.65 billion valuation. At the time, Recursive had no concrete technical results to show. Flint is the company's first publicly available model from its automated research process.
The long-term goal is to build a superintelligence that keeps improving itself. Each new model is supposed to make the Eureka Machine a better researcher, so the next generation of models can be built faster and more efficiently. Eventually, Recursive wants to apply the same approach to automate research in other scientific fields.
Whether this will actually produce accelerating self-improvement is far from settled. Former Google DeepMind research lead Oriol Vinyals considers AI-assisted self-improvement realistic but thinks an intelligence explosion is unlikely. Finding good research ideas and reliably judging results remain especially hard problems for AI systems.
Other AI labs are already using AI to build new models too. Anthropic says Claude now handles a large share of its own development work, while OpenAI deploys AI agents across its entire research pipeline. How far that automation actually goes is still debated. A study of more than 700 task logs found that AI agents handle large portions of the work, but humans still make most of the critical research calls.
Those are the steps Recursive wants to automate with the Eureka Machine. Flint is a first concrete result, but it doesn't yet prove full recursive self-improvement. For that, the company would need to show that a model built with the Eureka Machine actually makes the Eureka Machine itself a better researcher.
Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section.