Startup Recursive назвали себя амбициозно — и в этот раз подтвердили слова делом. Компания выпустила Flint, бесплатную модель для программирования, которая помещается на обычном ноутбуке. Главная интрига не в размере, а в том, кто её спроектировал: большую часть работы выполнила собственная исследовательская система компании, Eureka Machine.
Это живой пример идеи recursive self-improvement — AI, который строит более совершенный AI, а тот в теории строит следующий, ещё лучше. Идея будоражит индустрию не первый год: одни видят в ней путь к взрывному прогрессу, другие — риск потери контроля над системой. Версия Recursive пока осторожная: люди наблюдают за процессом и могут его остановить, а Eureka Machine выступает скорее исследователем-ассистентом, чем автономным разработчиком.
Результат впечатляет практически. Flint — модель типа mixture-of-experts: из 40 миллиардов параметров одновременно работает лишь 2,5 миллиарда, поэтому она легко помещается в память обычного MacBook. На тесте с чипом Apple M4 Pro модель генерирует около 131 токена в секунду — вдвое быстрее аналогичных моделей Google Gemma 4 и Nvidia Nemotron 3.5 Lightning на том же железе. На бенчмарке SWE-Bench Verified, который проверяет способность чинить реальный код, Flint обходит почти все модели своего размера, уступая только одной — Qwen3.8 от Alibaba.
Команда Recursive, всего несколько человек, собрала модель с нуля меньше чем за четыре месяца — именно благодаря помощи Eureka Machine, которая выбирала архитектуру, оптимизировала обучение и писала специализированный код для ускорения вычислений. Отдельно отмечается приём со сжатием модели на 71% почти без потери качества — идея, предложенная самой исследовательской системой.
Recursive — не единственные, кто доверяет исследования машинам. OpenAI недавно сообщила, что к середине августа их AI-агенты выполняли объём работы, эквивалентный 3,1 рабочим дням на одного человека-исследователя. Если ставка Recursive окажется верной, каждая следующая версия Eureka Machine будет чуть лучшим исследователем, чем предыдущая — а значит, и следующая модель появится быстрее.
Во что углубиться:
- Что такое mixture-of-experts архитектура и почему она экономит память моделей
- Recursive self-improvement в AI: главные опасения исследователей безопасности
- Сравнение открытых моделей для кода: Flint, Qwen, Gemma — какие работают локально без облака