Recursive, AI 주도 연구 프로세스로 개발한 첫 모델 Flint 공개

Flint는 로컬 에이전트 코딩용 MoE 모델이며, 개발 기간은 4개월이다. Recursive에 따르면 50B 미만 MoE 모델(Qwen3.6-35B-A3B, Laguna S 2.1 등) 가운데 SWE-Bench Pro v2, Terminal-Bench 2.1, SWE-Bench Verified 등에서 1위를 차지했다. M4 Pro(메모리 48GB)에서는 27~31B급 밀집 모델과 동등한 점수를 더 빠르게 낸다고 밝혔다. 짧은 컨텍스트에서의 생성 속도는 M4 Pro에서 125토큰/초 이상, 메모리 64GB의 NVIDIA RTX Spark에서 150토큰/초 이상이다. 같은 규모의 유사 MoE 모델보다 약 2배 빠르며, 25~40B 밀집 모델보다 5배 이상 빠른 것을 목표로 한다. 다만 Qwen 3.8 같은 밀집 모델이 일부 테스트에서 앞선다는 점도 함께 기재되어 있다.

Eureka Machine은 학습 데이터, 옵티마이저, 아키텍처 설계, 추론 튜닝에 관여했다. 총 35B·활성 3B 구성에서 출발해 전문가 구성을 시험했고, 최종적으로 총 40B·활성 2.5B 구성이 속도와 코딩 성능 사이의 최적 절충안이 되었다. 양자화에서는 출력층까지 4비트로 낮추는 일반적이지 않은 선택을 했으며, 추가 증류 단계로 정밀도 저하를 보완했다. 기존 방식의 약 절반 학습 스텝으로 완료했다고 한다. 완성된 NVFP4 모델은 16비트 버전과 비교해 전체 벤치마크에서 0.7포인트 차이에 그친다. Apple Silicon과 RTX Spark용 전용 커널도 만들었으며, M4와 M5에서는 Metal megakernel이 토큰 생성 시 순전파 전체를 하나의 연산으로 묶는다.

Flint는 최대 512,000토큰의 컨텍스트 윈도우를 지원하지만, 권장 상한은 256,000토큰이다. llama.cpp, Ollama, LM Studio, vLLM, SGLang에서 실행할 수 있으며, Apple Silicon용 추론 엔진 rec도 함께 공개됐다. 코드를 외부 서버로 보내지 않고 실행할 수 있다. 다만 대규모 상업용 코딩 모델에 비해 복잡한 작업에서는 더 많은 유도가 필요하며, 큰 작업은 작은 단계로 나누는 것이 권장된다.

Recursive는 Richard Socher 등이 창업했고, 전 DeepMind 연구자 Tim Rocktäschel도 참여하고 있다. 2026년 5월 스텔스 모드에서 모습을 드러냈으며, 기업가치 46.5억 달러로 6.5억 달러를 조달했다. 장기 목표는 계속 스스로 개선하는 초지능이며, 새 모델이 나올 때마다 Eureka Machine이 더 뛰어난 연구자가 된다는 구상이다. 다만 기사는 Flint가 완전한 재귀적 자기 개선을 보여준 것은 아니라고 지적한다. 이를 입증하려면 Eureka Machine으로 만든 모델이 그 시스템 자체를 향상시킨다는 점을 보여야 한다.