Modèles

Recursive lance Flint : un modèle de code de 40 milliards de paramètres qui tourne sur un portable

Recursive dévoile Flint, un modèle de code open source sous Apache 2.0, avec 40 milliards de paramètres et 2,5 milliards actifs, conçu en grande partie par son système de recherche automatisé Eureka Machine. Performances annoncées à confirmer, mais Wired a déjà testé le modèle sur Mac.

Julien MartinJulien Martin
Popularité : 1,400
Recursive lance Flint : un modèle de code de 40 milliards de paramètres qui tourne sur un portable

Recursive publie Flint, un modèle de code open source de 40 milliards de paramètres qui tient sur un ordinateur portable et aurait été construit en grande partie par une IA. Des chiffres à prendre avec précaution, mais une approche qui intrigue.

Flint, un modèle de code conçu par une IA

Recursive, jeune entreprise d'intelligence artificielle fondée l'an dernier par Richard Socher, l'ancien chief scientist de Salesforce, a dévoilé ce mardi 21 octobre son premier modèle. Baptisé Flint, ce modèle de programmation se veut gratuit, léger et ouvert : il tourne sur un simple ordinateur portable, il est distribué sous licence Apache 2.0 et il se télécharge librement sur Hugging Face.

Mais le vrai argument de vente se situe ailleurs. Selon l'entreprise, Flint a été conçu en grande partie par une intelligence artificielle. Son système de recherche automatisé, l'Eureka Machine, serait intervenu à presque toutes les étapes du développement : le pré-entraînement, le post-entraînement et même l'inférence. Le principe : la machine propose des idées, lance des expériences et utilise les résultats pour orienter la suite. Résultat, une petite équipe serait passée de zéro au lancement en moins de quatre mois.

Ce que l'Eureka Machine a apporté

Recursive détaille les contributions concrètes de son système automatisé. L'Eureka Machine aurait conçu une architecture de modèle plus économe, mis au point un entraînement en faible précision qui réduit la taille du modèle de 71 % sans perte notable de qualité, et développé des noyaux de calcul sur mesure, ces programmes spécialisés qui accélèrent l'inférence. Reste à savoir ce que valent ces optimisations face à la concurrence : les chiffres qui suivent viennent tous du fabricant lui-même.

Des chiffres à lire avec prudence

Sur le plan technique, Flint adopte une architecture MoE (mixture of experts) avec 40 milliards de paramètres au total, dont 2,5 milliards activés par requête. C'est cette économie qui permet de le faire tourner sur un portable. Recursive met en regard le Muse Spark Open de Meta, présenté la semaine dernière : 816 milliards de paramètres et au moins 1 To de mémoire requise pour ce modèle open source pensé pour Mac.

Côté performance, l'entreprise annonce, sur un MacBook Pro équipé d'une puce M4 Pro, un débit d'environ 131 tokens par seconde, soit près du double de Gemma 4 et Nemotron 3.5 Lightning (58 à 69 tokens par seconde) sur la même machine. Sur une carte Nvidia RTX Spark, le modèle dépasserait les 150 tokens par seconde. Enfin, sur le benchmark SWE-Bench Verified, Recursive affirme que Flint dépasse les modèles de moins de 50 milliards de paramètres, et que seul le Qwen3.8 27B d'Alibaba fait mieux sur sa moyenne de six tests internes. Tous ces résultats sont communiqués par le fabricant et devront être confirmés par des tests indépendants.

Caractéristique

Flint (annonces du fabricant)

Paramètres totaux

40 milliards (architecture MoE)

Paramètres actifs par requête

2,5 milliards

Licence

Apache 2.0, poids ouverts sur Hugging Face

Débit annoncé

Environ 131 tokens/s sur MacBook Pro (M4 Pro), plus de 150 tokens/s sur Nvidia RTX Spark

Benchmark

Dépasse les modèles de moins de 50 milliards de paramètres sur SWE-Bench Verified (annonces du fabricant)

Le test de Wired apporte un contrepoint utile

Premier essai indépendant, relayé par Wired : le journaliste Will Knight a fait tourner Flint sur un Mac doté de 48 Go de mémoire et l'a utilisé pour développer une application de liste de tâches puis un outil de recherche sur le web. Son verdict, repris par le magazine : l'outil « s'en sort à chaque fois ». Un résultat notable, car les petits modèles locaux échouent souvent sur des projets de ce genre, avec leur lot d'erreurs et de lenteurs, problèmes que le testeur n'a pas retrouvés ici.

Recursive reste lucide sur les limites de son modèle : Flint exige plus de guidage que les grands assistants de code payants, et l'entreprise recommande de découper les gros chantiers en petites étapes. En pratique, l'intérêt d'un modèle local reste intact : travailler hors ligne, garder son code sur sa machine et échapper à la facturation au token.

Une étape vers l'auto-amélioration des IA, pas la révolution

Le projet s'inscrit dans une narration plus ambitieuse : l'auto-amélioration récursive, l'idée d'une IA capable d'améliorer l'IA. Recursive y voit un premier test public, grandeur nature. Gardons toutefois la tête froide : l'Eureka Machine reste un assistant de recherche sous supervision humaine, très loin d'une IA qui se construirait seule. Richard Socher a aussi levé 650 millions de dollars pour une valorisation de 4,65 milliards (GV, Nvidia et AMD Ventures au capital) et signé en juin un contrat de calcul de 410 millions avec AWS, avec une formule restée célèbre en interne : « on ne recrute pas des gens, on recrute des agents ». Flint ne remplacera pas les assistants de code de référence, mais il donne un aperçu concret de ce que des pipelines de recherche automatisés peuvent produire. À suivre.

Partager cet article

Sources

Actualités liées à l’IA

Une fenêtre de terminal avec une courbe de récompense ascendante et un badge 27B à côté
Modèles

RadixArk double le score Terminal-Bench 4.1 de Qwen3.8-27B

RadixArk publie DaisyRose-27B, un Qwen3.8-27B réentraîné par renforcement sur des tâches d'agents longues. Le gain est net, le score absolu reste bas, et l'argument réel porte sur le coût par point gagné.

Popularité : 1,330
Le contour d'un ordinateur portable avec trois feuilles de couches empilées qui traversent une flèche en boucle
Modèles

Inkling 2 Mini : 24 couches qui en valent 48 sur un portable

Thinking Machines Lab repasse trois fois par les mêmes couches pour faire raisonner un modèle de 27 milliards de paramètres. Le résultat tient sur un portable, à condition d'accepter ce qu'une boucle ne sait pas faire.

Popularité : 1,710
Une longue forme d'onde audio bleu-vert avec une seule barre orange sur fond sombre
Modèles

Rumble-2-Flash : 500 millions de paramètres qui tiennent tête à un modèle géant

Reson8 publie un modèle de reconnaissance vocale de 500 millions de paramètres qui arrive à un dixième de point d'un modèle soixante fois plus gros sur de vrais appels téléphoniques. Reste à savoir ce que vous abandonnez en échange.

Popularité : 560
Trois anneaux néon en orbite autour d'un petit noyau lumineux sur fond bleu profond
Modèles

Gemini 4 Neon arrive dans l'application, et le sélecteur perd deux noms

Google remplace Gemini 4 Argon par un modèle qu'il présente comme proche de Gemini 4 Carbon, pour un coût par tâche plus bas. Voici ce que cela change dans l'application, et ce que les chiffres de Google couvrent vraiment.

Popularité : 1,500