Startup lança modelo de código aberto construído quase todo por uma IA

A startup americana Recursive lançou o Flint, um modelo de código aberto (open weight, ou seja, com os pesos do modelo disponíveis para download e uso próprio) voltado para tarefas de programação. O diferencial não está só no desempenho: segundo a empresa, a maior parte do pipeline de desenvolvimento do modelo, da arquitetura ao código otimizado para chips específicos, foi criada e refinada por outra IA, num processo que a Recursive chama de Eureka Machine.

O jornalista Will Knight, da Wired, testou o Flint por alguns dias e publicou os resultados na newsletter AI Lab. Ele rodou o modelo num Mac com 48 GB de RAM, hardware doméstico, e usou o Flint para criar uma lista de tarefas via linha de comando, um programa que varre a web atrás de pesquisas sobre autoaperfeiçoamento recursivo e um site explicando o próprio conceito. Segundo ele, o modelo "acertou minhas solicitações de código todas as vezes", numa comparação informal com Claude e Codex, que costumam superar modelos desse porte.

O que é a tal autoaperfeiçoamento recursivo

RSI, sigla para recursive self-improvement (autoaperfeiçoamento recursivo), é a ideia de usar IA para melhorar a própria IA, incluindo a forma como ela é treinada, sua arquitetura e o código que a executa. Isso não é novidade total: times de machine learning já usam IA para gerar e testar variações de modelos há anos, prática próxima do que a literatura chama de busca automatizada de arquitetura.

O que muda com o Eureka Machine é a amplitude do loop. Segundo o CEO e cofundador Richard Socher, ex-cientista-chefe da Salesforce, "praticamente todo aspecto do pipeline do modelo foi de fato feito e aprimorado pela IA". Isso incluiu um novo método de treinamento do modelo base, novas arquiteturas e código otimizado para silício específico, tudo decidido pelo próprio sistema recursivo, com um time de poucos pesquisadores levando meses, não anos, para entregar um modelo competitivo.

Para quem constrói pipelines de ML, o ponto relevante é técnico: existe trabalho acadêmico recente, de pesquisadores da Microsoft, da Carnegie Mellon e da University of Virginia, mostrando um agente de código capaz de modificar recursivamente o próprio harness (a camada de software que transforma o raciocínio do modelo em ações úteis, como chamadas de ferramenta e execução de testes) e os pesos do próprio modelo. Isso sugere que sistemas totalmente recursivos já são tecnicamente viáveis, não é só retórica de startup.

O benchmark que a Recursive não detalhou

A Recursive divulgou números de benchmark afirmando que o Flint supera outros modelos de tamanho e arquitetura semelhantes em tarefas de código. O problema, para quem vai decidir se adota o modelo: a reportagem da Wired não publica esses números nem a metodologia usada para chegar a eles.

Isso não invalida o modelo, mas muda o que você deveria fazer antes de colocá-lo em produção. Benchmark de fornecedor, sem conjunto de teste público e sem metodologia reprodutível, serve como indício, não como prova. Antes de trocar qualquer parte do seu stack de geração de código por Flint, vale rodar sua própria suíte de avaliação, nas tarefas reais do seu time, e comparar lado a lado com o que você já usa.

Rodar localmente muda a conta de custo, mas não elimina o trabalho de validação

Com 40 bilhões de parâmetros, o Flint é considerado um modelo "modesto" perto dos líderes de mercado, que chegam a trilhões de parâmetros e exigem racks de servidores industriais. Isso é o que permite rodá-lo num Mac de 48 GB de RAM, sem depender de API paga por token.

Para quem avalia opções de modelo, isso abre um caminho concreto:

• menos dependência de custo por token de provedor externo, já que o modelo roda localmente;
• maior controle sobre dados sensíveis, que não saem da máquina ou do data center da empresa;
• necessidade de hardware próprio (GPU ou Mac com memória unificada suficiente) e de time capaz de empacotar e manter o modelo;
• ausência, até aqui, de dados públicos sobre latência e taxa de erro em volume de produção, só a experiência qualitativa de um jornalista.

Antes de trocar uma API comercial por um modelo aberto como o Flint, o checklist mínimo inclui: licença de uso comercial (o texto da Wired não especifica os termos exatos), janela de contexto suportada, consumo de memória em carga real e resultado da sua própria avaliação, não da avaliação do fabricante.

O debate que chegou ao Congresso americano

O lançamento acontece num momento em que RSI virou tema sensível em Washington. Em setembro, um pesquisador deixou a Anthropic alertando que avanços em IA, incluindo autoaperfeiçoamento recursivo, poderiam levar à extinção humana em poucos anos, alerta repetido por outros especialistas depois. Como resultado, há projetos de lei em tramitação no Congresso dos Estados Unidos propondo banir pesquisa em RSI.

A Recursive rejeita publicamente esse cenário como "ficção científica mais do que realidade" e defende que legislação proibindo RSI seria um obstáculo desnecessário ao progresso. Segundo Socher, o Eureka Machine foi construído "incapaz de escapar do controle humano", com humanos podendo interromper o processo a qualquer momento. Ele reconhece que o objetivo final é o sistema atingir autoaperfeiçoamento recursivo pleno, ainda sob supervisão.

Para quem decide se um fornecedor assim entra na sua cadeia de ferramentas, essa é a pergunta que interessa: quais são os mecanismos técnicos concretos de interrupção e auditoria do processo automatizado, não só a declaração de intenção do CEO.

Quem está por trás e quanto já foi investido

A Recursive levantou 650 milhões de dólares, numa rodada que avaliou a empresa em 4,65 bilhões de dólares, com investimento de Google Ventures, Greycroft, Nvidia e AMD Ventures. Além de Socher, o time de fundadores inclui Jeff Clune, professor da University of British Columbia que pesquisa sistemas de IA capazes de aprender indefinidamente, área diretamente ligada à proposta da empresa.

O que fazer antes de testar o Flint no seu time

Se o seu time avalia modelos abertos para geração de código, trate o Flint como mais uma opção a validar, não como substituição automática do que já funciona. Rode a avaliação com as tarefas reais do seu produto, peça ao fornecedor (ou confira na página do modelo) a licença de uso comercial e os detalhes de janela de contexto e consumo de memória, e documente os resultados antes de levar qualquer recomendação ao gestor da área.

Se o interesse for maior, na parte de governança de IA que seu time já segue, inclua também a pergunta sobre controles de interrupção de qualquer pipeline automatizado de treinamento que você venha a adotar internamente, porque é exatamente aí que mora o risco de um processo recursivo sem checkpoint humano claro.

Fonte: Wired AI