Recursive veröffentlicht Flint, ein freies Kodiermodell mit 40 Milliarden Parametern, das auf einem Laptop läuft und nach Firmenangaben großenteils von einer KI entwickelt wurde. Weniger als vier Monate vergingen von null bis zur Veröffentlichung.
Recursive Flint: Ein 40B-Modell für den Laptop, gebaut von einer KI
Recursive, das Vorjahresgründung von Richard Socher, dem ehemaligen Chefwissenschaftler von Salesforce, hat am 21. Oktober sein erstes Modell veröffentlicht. Flint heißt es, und es bricht mit zwei Gepflogenheiten der Branche zugleich. Es ist kostenlos, die Gewichte stehen unter der Lizenz Apache 2.0 auf Hugging Face zum Download bereit, und es braucht kein Rechenzentrum, um nützlich zu sein. Ein gewöhnlicher Laptop reicht.
Das eigentliche Verkaufsargument liegt woanders. Laut Recursive ist Flint großenteils von einer künstlichen Intelligenz entwickelt worden. Das automatisierte Forschungssystem des Unternehmens, die Eureka Machine, wirkte nach Firmenangaben an fast jeder Phase mit: beim Vortraining, beim Nachtraining und bei der Inferenz. Sie schlägt Ideen vor, fährt Experimente und nutzt die Ergebnisse, um über den nächsten Schritt zu entscheiden. Mit dieser Maschinerie schaffte ein kleines Team den Weg vom leeren Blatt zur Veröffentlichung in weniger als vier Monaten, ein Tempo, das in der klassischen Modellentwicklung eher Jahre als Monate kennt.
Was die Eureka Machine beigesteuert hat
Recursive nennt drei konkrete Beiträge. Erstens eine sparsamere Modellarchitektur. Zweitens ein Training in niedriger Bitbreite, das die Modellgröße um 71 Prozent drückte, ohne nennenswerten Qualitätsverlust. Drittens eigene Kernels, also maßgeschneiderte Beschleunigungsprogramme für die Hardware. Kein Baustein für sich ist neu, aber die Kombination macht das Ziel erst erreichbar: ein Kodiermodell ohne Datenzentrum.
Technisch steckt dahinter eine MoE-Architektur, eine Mischung aus Expertennetzwerken, mit insgesamt 40 Milliarden Parametern, von denen pro Schritt nur 2,5 Milliarden aktiv sind. Genau diese Sparsamkeit bringt das Modell auf den Laptop. Zum Größenvergleich: Metas vor einer Woche vorgestelltes Mac-Modell Muse Spark Open kommt auf 816 Milliarden Parameter und braucht mindestens 1 Terabyte Arbeitsspeicher. Zwei entgegengesetzte Antworten auf dieselbe Frage, was ein lokales Kodiermodell können muss.
Geschwindigkeit und Benchmarks, alles laut Recursive
Alle folgenden Zahlen stammen vom Hersteller und sind nicht unabhängig geprüft. Recursive meldet rund 131 Token pro Sekunde auf einem MacBook Pro mit M4 Pro, etwa doppelt so viel wie Gemma 4 und Nemotron 3.5 Lightning auf derselben Maschine, die dort auf 58 bis 69 Token kommen. Auf einer Nvidia RTX Spark sollen es über 150 Token pro Sekunde sein. Beim Benchmark SWE-Bench Verified, der reale Fehlerbehebungen in Softwareprojekten testet, liege Flint vor allen Modellen unter 50 Milliarden Parametern, und im Durchschnitt von sechs firmeneigenen Tests sei nur Alibabas Qwen3.8 27B besser.
Merkmal | Flint (Herstellerangaben) |
|---|---|
Architektur | MoE, 40B Parameter, 2,5B aktiv pro Schritt |
Lizenz | Apache 2.0, Gewichte auf Hugging Face |
Tempo | rund 131 Token/s auf MacBook Pro (M4 Pro), über 150 Token/s auf RTX Spark |
Benchmark | laut Recursive führend unter 50B-Modellen bei SWE-Bench Verified |
Entstehung | großenteils von der Eureka Machine, unter vier Monaten |
Was der Wired-Test zeigt und was Flint nicht kann
Eine unabhängige Stimme gibt es inzwischen. Will Knight von Wired hat Flint auf einem Mac mit 48 Gigabyte Speicher ausprobiert und damit eine To-do-App sowie ein Recherche-Werkzeug für das Netz gebaut. Sein Urteil: Das Modell habe "jedes Mal alles hingekriegt". Das ist bemerkenswert, denn kleine lokale Modelle scheitern an solchen Projekten sonst gern mit Fehlern und Wartezeiten, von denen im Test nichts zu sehen war.
Recursive bleibt bei sich und benennt die Grenze selbst: Flint braucht mehr Führung als die großen bezahlten Kodierassistenten, und wer große Projekte angeht, sollte sie in kleine Schritte zerlegen. Das Modell ist also ein Werkzeug zum Nebeneneinanderarbeiten, kein Ersatz für eine ganze Entwicklungsabteilung. Bleiben die klassischen Vorteile des lokalen Modells: Es läuft offline, der Code verlässt den Rechner nie, und es gibt keine Abrechnung pro Token.
Der Hintergrund ist fast so interessant wie das Produkt. Die Eureka Machine verkörpert die Idee der rekursiven Selbstverbesserung, dass also KI bessere KI baut. Was Recursive bislang gezeigt hat, ist bescheidener und glaubwürdiger zugleich: ein automatisiertes Forschungssystem unter menschlicher Aufsicht, das die Entwicklung eines realen Modells beschleunigt hat. Die Firma selbst kam im Mai aus der Tarnung mit 650 Millionen Dollar eingesammeltem Kapital, einer Bewertung von 4,65 Milliarden und Investoren wie GV, Nvidia und AMD Ventures, dazu im Juni ein Rechendeal über 410 Millionen Dollar mit AWS. Sochers damalige Formel bringt es auf den Punkt: Man stelle keine Leute ein, man stelle Agenten ein. Wer das Modell ausprobieren will, findet es unter Apache 2.0 auf Hugging Face, ein Laptop mit ausreichend Arbeitsspeicher genügt.






