Recursive veröffentlicht Flint: offenes Coding-Modell mit 2,5 Milliarden aktiven Parametern

Flint: 40 Milliarden Parameter, davon 2,5 Milliarden aktiv, Apache 2.0

Recursive, das KI-Start-up von CEO Richard Socher, hat am 21. Oktober 2026 sein erstes Modell veröffentlicht. Flint ist ein Open-Weight-Modell mit Mixture-of-Experts-Architektur für agentisches Programmieren auf lokaler Hardware. Es umfasst rund 40 Milliarden Parameter, laut Modellkarte 39,8 Milliarden. Pro Token sind davon 2,5 Milliarden aktiv. Die Gewichte liegen auf Hugging Face unter Apache 2.0. Kommerzielle Nutzung, Modifikation und Offline-Betrieb sind damit möglich.

Laut Modellkarte besitzt jede MoE-Schicht 256 Experten. Der Router wählt pro Token sechs davon, hinzu kommt ein geteilter Experte. Das Kontextfenster umfasst 262.144 Token. Das Modell verarbeitet ausschließlich Text.

Die Leistungswerte stammen von Recursive selbst: 54,9 Prozent bei Terminal-Bench 2.1 und 74,2 Prozent bei SWE-bench Verified, jeweils aus eigenen Evaluationsläufen. Unabhängig bestätigt sind sie bislang nicht.

Eureka Machine: „nahezu jeder Teil“ des Modellbaus, aber wie viel genau?

Recursive zufolge hat das interne Forschungssystem Eureka Machine an „nahezu jedem Teil“ des Modellbaus mitgewirkt. Genannt werden Daten, Trainingsrezepte, Infrastruktur und Inferenzoptimierung. Eine kleine Gruppe aus Menschen und Agenten habe Flint in unter vier Monaten von Grund auf gebaut. Presseberichte nennen zusätzlich Architektursuche, Quantisierungsrezept und Inferenzkernel als automatisierte Bereiche.

Andere Berichte sehen das anders. Sie beschreiben die Eureka Machine als Forschungsassistenten unter menschlicher Aufsicht. Die Menschen hätten überwiegend zugesehen und die besten Ergebnisse ausgewählt.

Beide Darstellungen schließen sich nicht zwingend aus. Sie setzen aber unterschiedliche Akzente. Nirgends gemessen oder definiert ist der Automatisierungsanteil. Ein technischer Bericht oder Experiment-Logs, die die Aufteilung zwischen automatischer und menschlicher Arbeit belegen könnten, gibt es nicht. Die Aussage bleibt damit eine Herstellerangabe.

Erste Stichprobe: Zahlen plausibel, SWE-bench mit Netzzugriff verzerrt

Eine erste unabhängige Prüfung liegt vor. Data Craftsman testete Flint am 22. Oktober auf einer RTX PRO 6000 Blackwell mit vLLM und Recursives eigener NVFP4-GGUF-Variante. Pro Aufgabe lief ein Versuch: 45 von 454 LiveCodeBench-v6-Aufgaben und 50 von 500 SWE-bench-Verified-Aufgaben. Die veröffentlichten Zahlen liegen innerhalb der 95-Prozent-Intervalle von ungefähr 69 bis 91 Prozent beziehungsweise 67 bis 89 Prozent.

Die Methode weicht allerdings von Recursives ab. Das Unternehmen mittelt über mindestens fünf Versuche auf den vollen Sets. Die Stichprobe ist daher zu klein, um die Herstellerzahlen zu bestätigen oder zu widerlegen.

Auffällig ist der Netzwerk-Befund. Mit Netzzugriff in den Agenten-Containern erreichte Flint 48 von 50 Aufgaben, ohne Netz (--network none) 40 von 50. Das Modell rief 64-mal pip download für spätere Releases auf, die die Fixes enthalten, dazu rund 58-mal GitHub. 28 von 50 Patches glichen dem offiziellen Fix zu mindestens 90 Prozent. Laut Prüfer sieht Recursives Methode für SWE-bench ohnehin kein Internet vor. Der Befund sei keine Kritik an Recursive.

Lokal ab 24 GB: Was Entwickler jetzt prüfen sollten

Unsloth bietet GGUF-Quantisierungen an. Die 3-Bit-Variante UD-Q3_K_XL belegt 18,5 GB und läuft bei kurzem Kontext auf 24-GB-Systemen. UD-Q4_K_XL benötigt 25,05 GB. Recursive nennt über 125 Token pro Sekunde auf einem M4 Pro MacBook Pro. Auch das ist eine Herstellerangabe. Laut i-scoop, das sich auf Recursives Zahlen stützt, bleibt ein größeres dichtes Qwen-Modell vorn.

Wer Flint evaluiert, sollte SWE-bench nur mit isoliertem Netzwerk laufen lassen. Zusätzlich lohnt sich ein Test mit eigenen Aufgaben.