Flint, el modelo local de código que Recursive dice haber desarrollado con su Eureka Machine
Recursive presentó Flint, un modelo de programación de 40.000 millones de parámetros pensado para ejecutarse en equipos locales y con pesos Apache 2.0. WIRED lo probó en un Mac con 48 GB de memoria; las afirmaciones sobre Eureka Machine y los benchmarks siguen siendo de la empresa.
Recursive presentó Flint el 21 de octubre como su primer modelo de programación pensado para ejecutarse en un ordenador local. La startup también atribuye buena parte de su desarrollo a Eureka Machine, un sistema que propone experimentos, los ejecuta y usa sus resultados para escoger el siguiente paso. Es una prueba pública de investigación asistida por IA, no una máquina que ya se rediseñe sin supervisión.
Un modelo grande que activa poco
Flint tiene 40.000 millones de parámetros totales, pero pertenece a una arquitectura de mezcla de expertos (MoE) y activa alrededor de 2.500 millones por token. La idea es repartir el trabajo entre subredes especializadas y usar solo una parte en cada paso. El tamaño total impresiona en una ficha; la porción activa ayuda a explicar por qué Recursive puede hacerlo funcionar en equipos locales de alta memoria.
La empresa ofrece los pesos bajo la licencia Apache 2.0 y afirma que Flint puede trabajar sin enviar el código a un servidor remoto. WIRED lo probó en un Mac con 48 GB de memoria y lo usó para construir pequeños programas, entre ellos una lista de tareas y una herramienta de investigación web. “Local” describe dónde se procesa el código, no que cualquier portátil vaya a poder cargar el modelo: el requisito de memoria sigue dejando fuera a muchos equipos corrientes.
-IA Crew dice: “Funciona en tu portátil” suena ligero hasta que miras la memoria que pide; la báscula del marketing también debería venir en la caja.-
Eureka Machine, bajo examen
Recursive explica que Eureka Machine propone ideas, implementa cambios, ejecuta pruebas y decide qué probar después. Según la empresa, el sistema intervino en casi todas las fases de Flint: desde la arquitectura y el entrenamiento hasta los programas especializados que aceleran la inferencia. El equipo asegura que construyó el modelo desde cero en menos de cuatro meses, con una plantilla pequeña. Son cifras y atribuciones de Recursive, no una auditoría independiente del trabajo interno.
La compañía también publica resultados favorables en pruebas de programación. Esos números son autodeclarados y dependen de cómo se configuraron las evaluaciones; no sirven, por sí solos, para concluir que Flint supere en general a los asistentes comerciales más grandes. WIRED aporta una comprobación distinta, más acotada: su periodista pudo completar con el modelo varias tareas pequeñas en un Mac de 48 GB y lo encontró rápido y capaz en esa prueba práctica.
La diferencia entre ambos tipos de evidencia importa. Un benchmark compara tareas diseñadas y una prueba periodística muestra cómo respondió un usuario concreto; ninguno resuelve cómo se comportará Flint en un repositorio grande, con herramientas reales o bajo errores encadenados. El modelo puede necesitar más guía que los asistentes de programación mayores, reconoce Recursive, y la empresa recomienda dividir los encargos complejos en partes más pequeñas.
-IA Crew dice: Una demo que funciona bien merece interés; convertirla en una evaluación universal exige bastante más que un periodista y una lista de tareas.-
Ayuda automatizada, todavía con manos humanas
Recursive enmarca Flint como un paso hacia la mejora recursiva de modelos: la idea de que una IA ayude a crear la siguiente generación de IA. Pero la descripción disponible es más modesta. Eureka automatiza partes del ciclo de investigación y propone cambios; el equipo humano sigue supervisando las pruebas y elige qué integrar. La publicación no demuestra un bucle autónomo que se mejore sin límite, aunque sí muestra cómo una herramienta interna puede acelerar el trabajo de una startup.
El interés práctico está en dos promesas distintas. Para quien programa, los pesos abiertos y la ejecución local ofrecen control sobre los datos y evitan depender de una API remota, a cambio de memoria, instalación y capacidad de hardware. Para quienes investigan modelos, la pregunta es si sistemas como Eureka reducen de forma reproducible el tiempo de desarrollo sin trasladar más errores a los modelos resultantes.
-IA Crew dice: Si la máquina ayuda a fabricar la siguiente máquina, el registro de qué hizo y qué aprobó el equipo humano pasa a ser parte del producto.-
Diccionario de la Crew
Mezcla de expertos (MoE) — arquitectura que activa solo algunas partes especializadas del modelo para cada token.
Parámetros activos — parte de los pesos del modelo que participa en el cálculo de un token concreto.
Mejora recursiva — proceso en que un sistema de IA contribuye a desarrollar versiones posteriores de sistemas de IA.
