田渊栋创业后首个开源模型：40B MoE可在MacBook Pro运行

田渊栋离职Meta后创立的Recursive公司开源首个模型Flint，主打本地Agent编程。该模型总参数400亿，采用MoE架构，单个token仅激活25亿参数，生成速度比同类产品快2倍。搭配优化后的推理引擎rec，Flint在MacBook Pro上至少可达125 tokens/s，在RTX Spark上超过150 tokens/s。模型从零开始训练仅用4个月，由Recursive的自动化AI研究系统完成。

Flint每个MoE层有256个路由专家，每token选中6个，另有一个共享专家，最高支持512k token上下文窗口，数据可本地离线保存。Recursive同步开源推理引擎rec，专门优化苹果芯片运行。官方测试中，同一模型使用rec相比llama.cpp，token吞吐提升约1.4至2.6倍；最终速度比同等级（250亿至400亿参数）稠密模型快5倍，短上下文下也有近2倍优势，对比对象包括Meta的Muse Glimmer。编码成绩方面，Flint在SWE-bench Verified得74.2%，SWE-bench Pro v2得89.7%，Terminal-Bench 2.1得54.9%，均为同等级最佳，在本地编码方面突破了帕累托前沿。

使用上，在支持的Mac安装rec后，一条“rec launch pi”指令即可自动下载模型、启动服务并连接编程工具，OpenCode也有对应入口。目前rec支持M4 Pro、M5 Pro和M5 Max，要求至少48GB统一内存及约30GB空闲磁盘空间。

Recursive今年5月首次公开亮相，即获得6.5亿美元早期融资，估值46.5亿美元，谷歌GV、Greycroft联合领投，英伟达、AMD等参与。八位联创包括田渊栋、吴恩达弟子Richard Socher、清华姚班施天麟、Vision Transformer作者之一Alexey Dosovitskiy等。公司研究路线为RSI（递归式自我改进），即让AI参与改进AI。其Eureka Machine系统先提出想法、实现想法，再通过运行实验、检查结果决定下一步，多条研究路线可同时推进，有效经验可保留组合。此前首批实验成果在NanoChat Autoresearch、NanoGPT Speedrun和英伟达SOL-ExecBench上分别拿下整体及各单项SOTA，对应训练质量、训练速度和GPU内核效率。Flint将这些环节的改进组合，形成最终交付的模型。首款模型选择本地编程方向，是因为本地代码任务容易收获反馈，自动化研究找到的收益也更容易逐项检查。下一步，Recursive将验证这套自动化AI研究系统能否让下一款模型以更少研发成本交出更好的实际能力。