Recursive prikazuje prvi rezultat svog istraživačkog procesa vođenog umjetnom inteligencijom s Flintom

AI startup Recursive izgradio je svoj prvi jezični model uz pomoć AI sustava koji samostalno predlaže, provodi i vrednuje vlastite eksperimente.

AI startup Recursive objavio je Flint, svoj prvi jezični model. U gotovo svakom koraku razvoja sudjelovao je AI sustav nazvan „Eureka Machine” – samostalno je predlagao ideje, razrađivao ih, testirao i na temelju rezultata planirao daljnje eksperimente.

Flint je mixture-of-experts model (MoE) namijenjen agentskom kodiranju na lokalnom hardveru, a razvijen je u četiri mjeseca. Od ukupno 40 milijardi parametara, po tokenu je aktivno samo 2,5 milijarde. Recursive tvrdi da Flint prednjači na programerskim benchmarkovima poput SWE-Bench Pro v2, Terminal-Bench 2.1 i SWE-Bench Verified među MoE modelima (kao što su Qwen3.6-35B-A3B i Laguna S 2.1) s manje od 50 milijardi parametara. Rezultati još nisu neovisno verificirani.

Model je zamišljen kao konkurencija gustim modelima u rasponu od 25 do 40 milijardi parametara, a pritom radi više od pet puta brže. Na MacBook Prou s M4 Pro čipom, Flint generira više od 125 tokena u sekundi pri kratkim kontekstima, prema navodima tvrtke Recursive. Na Nvidia RTX Sparku s 64 GB memorije taj broj prelazi 150. U usporedbi sa sličnim modelima, inferencija je do dva puta brža.

Eureka Machine samostalno je odabrala arhitekturu, kvantizaciju i računalne jezgre

Recursive navodi da Eureka Machine automatizira cijeli istraživački ciklus, paralelno isprobavajući više pristupa. Za Flint je pomogla pri odabiru podataka za treniranje, optimizatora, dizajna arhitekture i podešavanja inferencije. Tri primjera pokazuju kako je sustav oblikovao performanse modela.

Polazeći od arhitekture s 35 milijardi ukupnih i 3 milijarde aktivnih parametara, Eureka Machine testirala je različite konfiguracije eksperata. Konačni dizajn s 40 milijardi ukupnih i 2,5 milijarde aktivnih parametara pokazao se kao najbolji kompromis između brzine i programerskih performansi od svih isprobanih varijanti.

Kada je riječ o kvantizaciji, sustav je odstupio od uobičajene prakse i smanjio izlazni sloj na četiri bita. Dodan je korak destilacije kako bi se nadoknadio izgubljeni stupanj točnosti, a prema navodima tvrtke Recursive, za to je bilo potrebno otprilike upola manje koraka treniranja nego kod prethodne metode. Gotovi NVFP4 model zaostaje za 16-bitnom verzijom samo 0,7 bodova na benchmarkovima.

Eureka Machine također je izgradila specijalizirane računalne jezgre za Apple Silicon i Nvidia RTX Spark. Na Appleovim čipovima M4 i M5, Metal megakernel spaja cijeli prolaz unaprijed tijekom generiranja tokena u jednu operaciju. Recursive tvrdi da upravo te optimizacije provedene u više razvojnih faza omogućuju visoku brzinu inferencije.

Flint radi lokalno i dostupan je s otvorenim težinama

Flint podržava kontekstne prozore do 512.000 tokena, iako Recursive preporučuje ograničenje na 256.000. Težine modela dostupne su na Hugging Faceu pod licencom Apache 2.0. Podržana okruženja za pokretanje uključuju llama.cpp, Ollama, LM Studio, vLLM i SGLang. Recursive je također objavio rec, vlastiti engine za inferenciju namijenjen Apple Siliconu.

To znači da model može raditi lokalno, bez slanja koda na vanjske poslužitelje. Recursive ipak napominje da Flint za složene zadatke treba više usmjeravanja nego veliki vlasnički modeli za kodiranje. Tvrtka preporučuje razbijanje većih zadataka na manje korake.

Recursive se kladi da može izgraditi AI koji će neprestano graditi bolji AI

Startup koji su osnovali Richard Socher i drugi, uključujući bivšeg istraživača DeepMinda Tima Rocktäschela, izašao je iz tajnosti u svibnju 2026. i prikupio 650 milijuna dolara pri procjeni vrijednosti od 4,65 milijardi dolara. U tom trenutku Recursive nije imao konkretnih tehničkih rezultata za pokazati. Flint je prvi javno dostupan model koji je nastao iz njihovog automatiziranog istraživačkog procesa.

Dugoročni cilj je izgraditi superinteligenciju koja se neprestano sama unapređuje. Svaki novi model trebao bi učiniti Eureka Machine boljim istraživačem, kako bi se sljedeća generacija modela mogla graditi brže i učinkovitije. Na kraju, Recursive želi isti pristup primijeniti i na automatizaciju istraživanja u drugim znanstvenim područjima.

Hoće li to zaista dovesti do ubrzanog samounapređivanja, još je daleko od sigurnog. Bivši voditelj istraživanja u Google DeepMindu Oriol Vinyals smatra da je samounapređivanje uz pomoć AI-ja realno, ali da eksplozija inteligencije nije vjerojatna. Pronalaženje dobrih istraživačkih ideja i pouzdano vrednovanje rezultata i dalje su posebno teški problemi za AI sustave.

I drugi AI laboratoriji već koriste AI za izgradnju novih modela. Anthropic navodi da Claude sada preuzima velik dio vlastitog razvojnog rada, dok OpenAI primjenjuje AI agente u cijelom istraživačkom procesu. Koliko ta automatizacija zapravo seže, još je predmet rasprave. Studija koja je analizirala više od 700 zapisa zadataka pokazala je da AI agenti preuzimaju velik dio posla, ali da ljudi i dalje donose većinu ključnih istraživačkih odluka.

Upravo te korake Recursive želi automatizirati pomoću Eureka Machine. Flint je prvi konkretan rezultat, no još ne dokazuje potpuno rekurzivno samounapređivanje. Da bi to pokazali, tvrtka bi morala dokazati da model izgrađen uz pomoć Eureka Machine zaista čini samu Eureka Machine boljim istraživačem.