Recursive lança Flint, modelo de código de 40 bilhões de parâmetros feito por outra IA

A startup Recursive, fundada por ex-pesquisadores do DeepMind, lançou o Flint: um modelo de código de 40 bilhões de parâmetros desenvolvido quase inteiramente por um sistema de IA interno, o Eureka Machine, e liberado com licença aberta para rodar local.

Nota da redação: o parágrafo acima contém uma imprecisão. A Recursive foi cofundada por Richard Socher e Tim Rocktäschel; apenas Rocktäschel tem histórico de pesquisa no Google DeepMind, Socher não. A formulação "ex-pesquisadores do DeepMind" no plural não corresponde ao que a fonte original (The Decoder) afirma. O leitor deve considerar como correta a versão detalhada que aparece no parágrafo seguinte e ao longo do restante do texto.

A startup Recursive, cofundada por Richard Socher e por Tim Rocktäschel, pesquisador que veio do Google DeepMind, lançou o Flint: um modelo de código de 40 bilhões de parâmetros desenvolvido quase inteiramente por um sistema de IA interno, o Eureka Machine, e liberado com licença aberta para rodar local.

O que a Recursive lançou nesta semana

A startup Recursive divulgou em 22 de outubro de 2026 o Flint, seu primeiro modelo de linguagem, segundo reportagem do The Decoder. A empresa foi fundada por Richard Socher e Tim Rocktäschel, pesquisador que veio do Google DeepMind, e saiu do modo stealth em maio de 2026 com uma captação de 650 milhões de dólares e avaliação de 4,65 bilhões de dólares.

Naquela época a Recursive não tinha nenhum resultado técnico público para mostrar. O Flint é a primeira entrega concreta da aposta da empresa: construir um sistema de IA, batizado de Eureka Machine, capaz de propor, testar e melhorar seus próprios modelos sem depender de um time de pesquisa humano tocando cada experimento manualmente.

Um sistema de IA que projetou o próprio modelo

Segundo a Recursive, a Eureka Machine participou de quase toda etapa do desenvolvimento do Flint: ela propôs ideias, construiu variações, testou e planejou os experimentos seguintes com base nos resultados. O modelo levou quatro meses para ficar pronto.

O processo de decisão de arquitetura mostra como isso funcionou na prática. A Eureka Machine partiu de uma configuração com 35 bilhões de parâmetros totais e 3 bilhões ativos por token (arquitetura mixture-of-experts, em que só uma parte da rede é usada a cada cálculo) e testou diferentes combinações de especialistas. O desenho final, com 40 bilhões de parâmetros totais e 2,5 bilhões ativos, foi o que entregou o melhor equilíbrio entre velocidade e desempenho em código entre todas as variantes testadas.

Na quantização (técnica que reduz a precisão numérica do modelo para ocupar menos memória e rodar mais rápido), o sistema foi contra a prática comum e reduziu também a camada de saída para 4 bits. Uma etapa adicional de destilação recuperou parte da precisão perdida e precisou de aproximadamente metade dos passos de treinamento do método anterior usado pela empresa. O modelo final em formato NVFP4 ficou apenas 0,7 ponto atrás da versão de 16 bits nos benchmarks.

A Eureka Machine também construiu kernels de computação (o código de baixo nível que executa as operações matemáticas do modelo) específicos para Apple Silicon e para a Nvidia RTX Spark. Nos chips M4 e M5 da Apple, um megakernel em Metal combina todo o passo de geração de token numa única operação, o que a Recursive aponta como responsável por boa parte do ganho de velocidade.

Os números que a Recursive divulgou (ainda sem verificação independente)

A empresa afirma que o Flint lidera benchmarks de código como SWE-Bench Pro v2, Terminal-Bench 2.1 e SWE-Bench Verified entre modelos mixture-of-experts com menos de 50 bilhões de parâmetros, à frente de concorrentes como Qwen3.6-35B-A3B e Laguna S 2.1. Em modelos densos (que ativam todos os parâmetros o tempo todo), como o Qwen 3.8, o Flint fica atrás em alguns testes específicos. Nenhum desses números foi verificado por terceiros até agora.

No quesito velocidade, a diferença de arquitetura aparece de forma mais clara:

Segundo a Recursive, em um M4 Pro com 48 GB o Flint iguala o desempenho de modelos densos bem mais lentos, na faixa de 27 a 31 bilhões de parâmetros, rodando mais de cinco vezes mais rápido. Comparado a modelos mixture-of-experts de tamanho parecido, a inferência chega a ser duas vezes mais rápida.

Como rodar o Flint na sua máquina

Os pesos do modelo estão disponíveis no Hugging Face sob licença Apache 2.0, o que permite uso comercial sem restrição de royalties. O Flint roda em runtimes já conhecidos de quem trabalha com modelos locais: llama.cpp, Ollama, LM Studio, vLLM e SGLang. A Recursive também lançou seu próprio motor de inferência para Apple Silicon, chamado rec.

O modelo suporta janelas de contexto de até 512.000 tokens, mas a própria Recursive recomenda limitar o uso a 256.000 para manter a qualidade das respostas. Como o Flint foi desenhado para execução local, o código do projeto nunca precisa sair da máquina ou do servidor da empresa para chegar a uma API externa, o que pesa a favor de times que lidam com código sob contrato de confidencialidade ou que preferem manter tudo dentro do próprio data center por política interna.

A Recursive também deixa um aviso importante para quem for testar: o Flint precisa de mais orientação em tarefas complexas do que os grandes modelos proprietários de código. A recomendação da própria empresa é quebrar tarefas maiores em passos menores antes de passar para o modelo, algo que já é prática comum em fluxos de agentes de código, mas que aqui parece ser mais necessário que o normal.

O que ainda falta provar

O objetivo de longo prazo da Recursive é bem mais ambicioso do que lançar um modelo de código competitivo: a empresa quer que cada novo modelo torne a Eureka Machine uma pesquisadora melhor, criando um ciclo em que as próximas gerações saem mais rápido e mais eficientes. A ideia declarada é, eventualmente, aplicar a mesma abordagem para automatizar pesquisa em outras áreas da ciência.

Se isso realmente gera uma melhoria acelerada e contínua é uma questão em aberto. Oriol Vinyals, ex-líder de pesquisa do Google DeepMind, considera a autoaperfeiçoamento assistido por IA algo realista, mas acha improvável uma explosão de inteligência no sentido mais extremo do termo. Encontrar boas ideias de pesquisa e julgar resultados de forma confiável continuam sendo problemas difíceis para sistemas de IA.

Outros laboratórios já caminham na mesma direção. A Anthropic diz que o Claude hoje realiza boa parte do próprio trabalho de desenvolvimento da empresa, e a OpenAI afirma usar agentes de IA em toda a sua esteira de pesquisa. Um estudo com mais de 700 registros de tarefas mostrou que agentes de IA de fato executam grande parte do trabalho, mas que humanos ainda tomam a maioria das decisões críticas de pesquisa.

O Flint prova que a Eureka Machine consegue produzir um modelo competitivo dentro da própria categoria de peso. O que ainda não está demonstrado é a parte mais ambiciosa da tese da Recursive: que um modelo construído por esse sistema realmente torna o próprio sistema melhor na rodada seguinte. Esse teste só aparece no próximo ciclo de desenvolvimento, quando a Eureka Machine tiver que treinar um sucessor do Flint usando o que aprendeu com ele.

Fonte: The Decoder