Un modelo MoE para escribir y revisar código
Flint es un modelo *mixture-of-experts* con 39,8.000 millones de parámetros totales y unos 2.500 millones activos por token. Eso significa que no activa toda su capacidad en cada inferencia, sino solo una parte de sus expertos para procesar cada fragmento de texto. Recursive lo describe como un modelo *decoder-only* pensado para explorar repositorios, corregir errores, implementar funciones y escribir pruebas. También indica que admite llamadas a herramientas compatibles con la API de OpenAI.
La compañía señala además que su sistema interno Eureka Machine participó en casi todo el desarrollo del modelo. Según su propia explicación, ayudó a definir la arquitectura, a cuantizar parte del sistema y a crear *kernels* especializados para operaciones de baja precisión y atención. Esa parte del anuncio es relevante porque presenta Flint no solo como un modelo nuevo, sino como un caso de uso de automatización aplicada al propio diseño del sistema.
Qué dicen los resultados publicados por Recursive
Recursive publica una tabla de resultados con varios benchmarks. El dato más visible es SWE-bench Verified, donde Flint alcanza un 74,2% en BF16 y un 74,1% en la versión cuantizada NVFP4. La compañía también le atribuye un 54,9% en Terminal-Bench 2.1, un 89,7% en SWE-bench Pro v2 y un 80,3% en LiveCodeBench v6. La propia fuente aclara que todos esos resultados son autoinformados y que las pruebas se hicieron con parámetros de muestreo concretos.
Conviene leer esas cifras con cautela. Los benchmarks no miden una “calidad general” de forma absoluta, sino el comportamiento del modelo en tareas concretas. En este caso, Recursive presenta Flint como una herramienta optimizada para programación asistida y uso agentic, no como un modelo multimodal generalista. En su comparación interna, algunos modelos densos superan a Flint en determinadas pruebas, como Terminal-Bench, mientras que el nuevo sistema destaca en otras relacionadas con el trabajo de código.
Qué hardware necesita para correr en local
La apuesta de Recursive pasa por la ejecución local. La compañía afirma que Flint puede funcionar en Macs con Apple Silicon y 48 GB de memoria, en concreto en equipos con M4 Pro, M5 Pro o M5 Max, y también en GPUs NVIDIA con al menos 48 GB. La versión INT4 pesa en torno a 22,6 GB en Apple Silicon y la variante NVFP4 ronda los 22,9 GB. La empresa también menciona un checkpoint BF16 de 80 GB para despliegues en servidor.
En rendimiento, Recursive dice que Flint supera los 125 tokens por segundo en un MacBook Pro con M4 Pro y los 150 tokens por segundo en una RTX Spark de 64 GB. También sostiene que su motor local, rec engine, ofrece entre 1,4 y 2,6 veces más rendimiento que *llama.cpp* en un M4 Pro. Son afirmaciones del fabricante y, con la información disponible, no hay una validación externa independiente que permita contrastarlas.
Licencia abierta y ecosistema compatible
Flint se publica con pesos abiertos bajo Apache 2.0, lo que facilita su descarga, modificación e integración en herramientas de terceros. Recursive dice además que el modelo funciona con ecosistemas ya conocidos como *llama.cpp*, Ollama, LM Studio, vLLM y SGLang. Para equipos que quieran ejecutar asistentes de programación en local, eso reduce fricción de adopción y evita depender de una API remota para ciertas tareas.
La parte más destacada del lanzamiento no es solo la apertura del modelo, sino el encaje que propone la compañía: Flint se presenta como una pieza para agentes de código que trabajan sobre bases de código reales, no como un chatbot generalista. En ese contexto, la combinación de MoE, cuantización agresiva y hardware doméstico apunta a una estrategia concreta: hacer viable el uso local sin renunciar del todo a un tamaño de modelo alto.
Lo que sigue sin verificarse de forma independiente
La información disponible no permite comprobar por ahora cuánto rinde Flint en entornos comparables a los de otros modelos ni hasta qué punto las mejoras de velocidad compensan las limitaciones que suele introducir la cuantización. Tampoco hay en la fuente aportada una evaluación externa sobre seguridad, estabilidad o calidad del código generado. Lo confirmado es que Recursive ha publicado el modelo, ha detallado su arquitectura y ha reivindicado un rendimiento alto para uso local en tareas de programación.
