Recursive a lancé Flint, un modèle de code à poids ouverts dont les fichiers sont publiés sous licence Apache 2.0. Le modèle peut être exécuté en local avec plusieurs outils, mais les besoins matériels dépendent du checkpoint et du runtime : le téléchargement BF16 pèse environ 80 Go, et la configuration SGLang décrite utilise un GPU B300 ou H200 par réplique.
Les caractéristiques de Flint
Flint est un modèle Transformer à mélange d’experts, ou MoE : à chaque étape, le modèle active une partie de ses experts plutôt que l’ensemble de ses paramètres. Sa fiche indique 39,8 milliards de paramètres au total et environ 2,5 milliards actifs par token, sortie comprise.
| Caractéristique | Valeur publiée | Portée |
| Architecture | Transformer décodeur à mélange d’experts (MoE) | Modèle conçu pour les agents de programmation |
| Paramètres | 39,8 milliards au total ; environ 2,5 milliards actifs par token | Le chiffre actif inclut la tête de sortie |
| Couches | 49 : 2 denses et 47 MoE | Configuration de la fiche du modèle |
| Attention | 35 couches à fenêtre glissante et 14 à attention complète | La fenêtre glissante couvre 513 tokens |
| Experts | 256 experts routés par couche MoE ; 6 sélectionnés par token, plus un expert partagé actif en permanence | Configuration de la fiche du modèle |
| Licence | Apache 2.0 | S’applique aux poids publiés ; les conditions des API hébergées sont distinctes |
| Téléchargement BF16 | Environ 80 Go | Taille indiquée pour ce checkpoint |
| Configuration SGLang | Un GPU B300 ou H200 par réplique | Configuration de déploiement décrite pour SGLang |
La fiche de Flint sur Hugging Face rassemble les poids, la configuration du modèle, le tokenizer et le kit de déploiement SGLang. Recursive cite aussi llama.cpp, Ollama, Unsloth, LM Studio, vLLM et SGLang parmi les outils et frameworks compatibles. Son moteur rec est optimisé pour Flint sur M4 Pro et M5 Pro/Max.
La licence Apache 2.0 concerne les poids du modèle. Elle ne fixe pas les conditions d’une API hébergée, que Recursive distingue de la licence des poids. Flint accepte du texte en entrée et en sortie, prend en charge le raisonnement et l’utilisation d’outils en plusieurs échanges. Sa fiche avertit aussi qu’il peut produire du code défectueux ou des appels d’outils inappropriés ; les applications qui lui confient des outils doivent donc contrôler leurs autorisations et leurs limites d’exécution.
Deux indications de contexte à distinguer
La fiche du modèle indique une configuration de 262 144 tokens, en comptant le prompt et le texte généré. Dans son annonce, Recursive parle d’une fenêtre pouvant atteindre 512 000 tokens et recommande de rester sous les 256 000 pour obtenir de meilleurs résultats en programmation et dans d’autres tâches.
La longueur de contexte désigne le volume de tokens traité dans une requête, y compris l’entrée et la sortie. Pour lire les chiffres de Flint, il faut donc conserver la formulation propre à chaque page : la fiche donne une configuration précise, tandis que l’annonce expose une limite annoncée et une recommandation d’usage.
Ce qu’un essai local a observé
Lors d’un essai sur un Mac M4 Max avec llama.cpp, AICodeKing a rapporté environ 110 tokens par seconde à contexte court, 52 à 8 000 tokens, 32 à 32 000 et 9 à 115 000. Il a également indiqué que son test d’API de raccourcissement d’URL avait réussi les 14 cas. Ce sont les résultats du créateur sur son matériel et ses tâches, pas un benchmark standardisé.
Dans cette configuration, AICodeKing a utilisé llama.cpp après que le moteur rec a refusé de fonctionner sur son M4 Max. Cela s’ajoute à la liste des runtimes publiés par Recursive, sans transformer l’optimisation de rec pour certaines puces en compatibilité générale avec toutes les machines Apple.
Les résultats de la fiche sont d’une autre nature : Recursive y rapporte 54,9 % à Terminal-Bench 2.1, 89,7 % à SWE-bench Pro v2 et 74,2 % à SWE-bench Verified. Pour ces évaluations, la fiche précise que Terminal-Bench utilise Terminus 2 et que SWE-bench utilise mini-swe-agent ; les scores agentiques correspondent à la moyenne de pass@1 sur au moins cinq essais. Recursive compte comme échec les solutions de Terminal-Bench obtenues par recherche sur le Web. Ces résultats annoncés par l’entreprise ne sont pas les mêmes mesures que les débits et les tâches rapportés par AICodeKing.
Eureka Machine a participé au développement
Recursive explique que son système Eureka Machine a contribué à presque toutes les étapes de développement de Flint, des données et recettes d’entraînement à l’infrastructure et à l’optimisation de l’inférence. L’entreprise décrit une boucle automatisée dans laquelle le système propose des idées, les met en œuvre, les teste puis utilise les résultats pour guider les essais suivants. Flint a été développé par une équipe humaine avec l’aide de ce système ; cette description porte sur une recherche assistée par IA.
