Recursive Superintelligence在发布其首款模型前，已获得6.5亿美元融资，使其估值达到了46.5亿美元，投资者包括GV、Greycroft、英伟达和AMD Ventures。终于，该公司推出了具体的模型成果，名为Flint-40B-A2B。这款面向编程Agent的开源模型，拥有约398亿参数，但每次生成时仅激活其中约25亿参数。Recursive团队表示，他们在不到四个月的时间里，利用自动化研究系统Eureka Machine，从零开始完成了这款模型的研发。

近两年来AI领域的竞争主要集中在训练出更强大模型的能力上，而Recursive则探讨了AI是否能参与下一代AI的设计和优化，推动模型研发向智能体倾斜。Flint作为首个成果，提供了一个具体的“原生RSI”模型参考，引发了行业对RSI未来趋势的关注。

Flint的产品定位是帮助开发者理解代码库、修复Bug、实现新功能和编写测试。它采用混合专家架构（MoE），在保持较大参数规模的同时，通过减少每次推理的激活参数量，在模型规模与推理成本之间找到了平衡。尽管激活参数较少，但模型的整体权重仍占用大量内存。

推理速度对于编程Agent尤其重要，因为在多个调用中，生成速度的提升会显著影响整体效率。Recursive的数据表明，Flint在多项编程Agent基准测试中均表现良好，其中SWE-bench Verified主要考察模型在真实GitHub项目中的解决能力，Terminal-Bench则关注模型完成实际任务的能力。Flint在这些基准测试中的表现显示出其较高的性能。

Flint旨在以较小的激活参数规模提供强大的编程能力，同时能在个人设备上运行，减少对远程API的依赖，降低云端调用成本。虽然本地运行仍需足够的内存和计算资源, Recursive建议开发者在处理复杂任务时将其拆分为小子任务，以提高效率。

Flint的开发背后，Eureka Machine发挥了重要作用。它不仅能够提出研究方案、编写代码和执行实验，还能够根据结果调整研究方向并探索多条技术路线。这个过程类似于AI Agent编写代码，但其目标更为复杂且多样化。