Premier modèle public de Recursive, Flint arrive avec des chiffres de vitesse sur Apple Silicon et Nvidia, et une diffusion gratuite sous Apache 2.0. Les performances revendiquées ne sont pas encore vérifiées de manière indépendante, tandis que la startup vise une auto‑amélioration portée par son système Eureka Machine.
Des performances à valider et une auto‑amélioration encore hypothétique
Les résultats annoncés pour Flint n'ont pas encore fait l'objet d'une vérification indépendante. Flint constitue un premier résultat concret, mais il ne prouve pas une auto‑amélioration récursive complète. Il reste à déterminer si l'approche produira une amélioration auto‑accélérée, et la démonstration attendue serait qu'un modèle issu de l'Eureka Machine améliore l'Eureka Machine elle‑même. La portée réelle de l'automatisation de la recherche par l'IA demeure débattue, une étude sur plus de 700 journaux de tâches indiquant que si des agents prennent en charge de larges pans du travail, les décisions critiques restent majoritairement humaines. Oriol Vinyals estime l'auto‑amélioration assistée réaliste, tout en jugeant peu probable une explosion d'intelligence. Recursive reconnaît par ailleurs que Flint requiert davantage de guidance sur des tâches complexes que des modèles propriétaires, et recommande de décomposer les tâches importantes en étapes plus petites.
Architecture MoE et vitesses mesurées sur Apple et Nvidia
Flint repose sur une architecture mixture-of-experts comprenant 40 milliards de paramètres, avec 2,5 milliards activés par jeton. Sur une machine équipée d’un M4 Pro avec 48 Go, il atteint les mêmes résultats que des modèles denses nettement plus lents situés entre 27 et 31 milliards de paramètres. Il est conçu pour rivaliser avec des modèles denses de 25 à 40 milliards tout en s'exécutant plus de cinq fois plus vite. Sur MacBook Pro avec M4 Pro, il dépasse 125 jetons par seconde dans des contextes courts, et franchit 150 jetons par seconde sur un Nvidia RTX Spark avec 64 Go. Par rapport à des modèles similaires, l'inférence est annoncée jusqu'à deux fois plus rapide. Le modèle gère des contextes jusqu'à 512000 jetons, avec une recommandation de 256000. Recursive affirme également des performances de pointe sur des benchmarks de codage parmi les MoE de moins de 50 milliards de paramètres, des résultats qui restent à vérifier.
L’IA qui transforme le business ?
Stratégies, mouvements et levées IA décryptés, chaque soir en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Ce que l’Eureka Machine a décidé et construit pour Flint
Selon Recursive, l'Eureka Machine a choisi de manière autonome l'architecture, la quantification et les noyaux de calcul, et automatise l'ensemble du cycle de recherche en explorant plusieurs approches en parallèle. Pour Flint, elle a contribué aux données d'entraînement, aux optimiseurs, à la conception d'architecture et au réglage d'inférence. Après avoir évalué différentes configurations d'experts à partir d’une version initiale comportant 35 milliards de paramètres dont 3 milliards actifs, le système a sélectionné une option totalisant 40 milliards de paramètres et 2,5 milliards actifs, jugée comme le meilleur équilibre entre rapidité et performance. Pour la quantification, la couche de sortie a été ramenée à quatre bits accompagnée d’une distillation supplémentaire ; Recursive indique qu’environ la moitié du nombre d’étapes d’entraînement a été nécessaire par rapport à la méthode précédente, avec un écart d’environ 0,7 point par rapport à la version 16 bits sur les benchmarks. L’Eureka Machine a également généré des noyaux optimisés pour Apple Silicon et Nvidia RTX Spark ; sur M4 et M5, un megakernel Metal fusionne l’ensemble du passage avant de génération en une opération unique, ces optimisations visant à maintenir la rapidité de l’inférence.
Exécution locale, moteurs compatibles et diffusion ouverte
Flint fonctionne avec des environnements d'exécution comme llama.cpp, Ollama, LM Studio, vLLM et SGLang. Recursive publie également rec, un moteur d'inférence dédié à Apple Silicon. Le modèle peut tourner localement sans envoi de code vers des serveurs externes et a été optimisé pour le matériel Apple et Nvidia. Les poids sont proposés gratuitement sous licence Apache 2.0 sur Hugging Face.
Financement record et cap affiché vers une superintelligence
Fondée par Richard Socher avec, entre autres, Tim Rocktäschel, Recursive est sortie de l'ombre en mai 2026 en levant 650 millions de dollars pour une valorisation de 4,65 milliards de dollars, sans résultats techniques concrets à montrer à cette date. Flint est le premier modèle public issu de son processus de recherche automatisé. La société vise des systèmes capables de soutenir leur propre développement, avec l'ambition déclarée d'une superintelligence qui s'améliore continuellement. Chaque nouveau modèle est censé renforcer les capacités de recherche de l'Eureka Machine et accélérer la génération suivante, avec une extension projetée à d'autres domaines scientifiques. Dans le même temps, d'autres laboratoires recourent déjà à l'IA pour concevoir des modèles : Anthropic affirme que Claude prend en charge une grande part de son propre développement, et OpenAI indique déployer des agents dans tout son pipeline de recherche. Les étapes que Recursive souhaite automatiser s'inscrivent dans ce mouvement.
