Kernpunkte
- Das KI-Startup Recursive hat Flint veröffentlicht, ein Sprachmodell für Programmieraufgaben, das weitgehend von einem internen KI-System namens „Eureka Machine“ entwickelt wurde.
- Flint nutzt eine Mixture-of-Experts-Architektur mit 40 Milliarden Parametern (2,5 Milliarden aktiv) und ist für schnelle lokale Ausführung auf Apple- und Nvidia-Hardware optimiert.
- Das Modell ist frei auf Hugging Face unter der Apache-2.0-Lizenz verfügbar. Recursive‘ langfristiges Ziel ist es, mit diesem Ansatz KI-Systeme zu schaffen, die ihre eigene Weiterentwicklung übernehmen können.
Das KI-Startup Recursive hat sein erstes Sprachmodell mit einem KI-System erstellt, das seine eigenen Experimente vorschlägt, durchführt und auswertet.
Das KI-Startup Recursive hat Flint veröffentlicht, sein erstes Sprachmodell. Ein KI-System namens „Eureka Machine“ war an fast jedem Schritt der Entwicklung beteiligt: Es schlug eigenständig Ideen vor, baute diese aus, testete sie und plante auf Grundlage der Ergebnisse Folgeexperimente.
Flint ist ein Mixture-of-Experts-Modell (MoE), das für agentisches Coding auf lokaler Hardware konzipiert wurde, und entstand in vier Monaten. Von 40 Milliarden Parametern insgesamt sind pro Token nur 2,5 Milliarden aktiv. Recursive gibt an, dass Flint Coding-Benchmarks wie SWE-Bench Pro v2, Terminal-Bench 2.1 und SWE-Bench Verified unter MoE-Modellen (wie Qwen3.6-35B-A3B und Laguna S 2.1) mit weniger als 50 Milliarden Parametern anführt. Die Ergebnisse wurden bislang nicht unabhängig überprüft.
Das Modell soll mit dichten Modellen im Bereich von 25 bis 40 Milliarden Parametern konkurrieren, dabei aber mehr als fünfmal schneller laufen. Auf einem MacBook Pro mit M4 Pro generiert Flint laut Recursive mehr als 125 Token pro Sekunde bei kurzen Kontexten. Auf einem Nvidia RTX Spark mit 64 GB Arbeitsspeicher sind es über 150. Verglichen mit ähnlichen Modellen ist die Inferenz bis zu doppelt so schnell.Werbung
Eureka Machine wählte Architektur, Quantisierung und Compute-Kernels selbstständig aus
Laut Recursive automatisiert die Eureka Machine den gesamten Forschungszyklus und verfolgt mehrere Ansätze parallel. Bei Flint unterstützte sie bei Trainingsdaten, Optimierern, Architekturdesign und Inferenz-Tuning. Drei Beispiele zeigen, wie das System die Leistung des Modells prägte.
Ausgehend von einer Architektur mit 35 Milliarden Parametern insgesamt und 3 Milliarden aktiven Parametern testete die Eureka Machine verschiedene Expert-Konfigurationen. Das finale Design mit 40 Milliarden Parametern insgesamt und 2,5 Milliarden aktiven Parametern erwies sich als bester Kompromiss zwischen Geschwindigkeit und Coding-Leistung unter allen getesteten Varianten.
Bei der Quantisierung wich das System von der gängigen Praxis ab und reduzierte auch die Ausgabeschicht auf vier Bits. Ein zusätzlicher Destillationsschritt sollte die verlorene Genauigkeit zurückgewinnen, und laut Recursive benötigte dieser etwa halb so viele Trainingsschritte wie die bisherige Methode. Das fertige NVFP4-Modell liegt über alle Benchmarks hinweg nur 0,7 Punkte hinter der 16-Bit-Version.
Die Eureka Machine baute außerdem spezialisierte Compute-Kernels für Apple Silicon und Nvidia RTX Spark. Auf Apples M4- und M5-Chips fasst ein Metal-Megakernel den gesamten Forward-Pass bei der Token-Generierung in einer einzigen Operation zusammen. Recursive sagt, diese Optimierungen über mehrere Entwicklungsstufen hinweg ermöglichen die hohe Inferenzgeschwindigkeit.Werbung
Flint läuft lokal und wird mit offenen Gewichten ausgeliefert
Flint unterstützt Kontextfenster von bis zu 512,000 Token, wobei Recursive empfiehlt, es auf 256,000 zu begrenzen. Die Modellgewichte sind auf Hugging Face verfügbar unter der Apache-2.0-Lizenz. Unterstützte Runtimes sind llama.cpp, Ollama, LM Studio, vLLM und SGLang. Recursive hat außerdem veröffentlicht rec, eine eigene Inferenz-Engine für Apple Silicon.
All das bedeutet, dass das Modell lokal laufen kann, ohne Code an externe Server zu senden. Recursive räumt jedoch ein, dass Flint bei komplexen Aufgaben mehr Anleitung benötigt als große proprietäre Codierungsmodelle. Das Unternehmen empfiehlt, größere Aufgaben in kleinere Schritte aufzuteilen.
Recursive setzt darauf, dass es KI bauen kann, die kontinuierlich bessere KI baut
Das Startup, gegründet von Richard Socher und anderen, darunter der ehemalige DeepMind-Forscher Tim Rocktäschel, kam im Mai 2026 aus der Stealth-Phase und sammelte 650 Millionen US-Dollar bei einer Bewertung von 4,65 Milliarden US-Dollar ein. Zu diesem Zeitpunkt konnte Recursive keine konkreten technischen Ergebnisse vorweisen. Flint ist das erste öffentlich verfügbare Modell des Unternehmens aus seinem automatisierten Forschungsprozess.
Das langfristige Ziel ist der Aufbau einer Superintelligenz, die sich selbst kontinuierlich verbessert. Jedes neue Modell soll die Eureka Machine zu einer besseren Forscherin machen, damit die nächste Modellgeneration schneller und effizienter gebaut werden kann. Langfristig möchte Recursive denselben Ansatz anwenden, um Forschung in anderen wissenschaftlichen Bereichen zu automatisieren.
Ob dies tatsächlich zu einer sich beschleunigenden Selbstverbesserung führen wird, ist alles andere als geklärt. Der ehemalige Google-DeepMind-Forschungsleiter Oriol Vinyals hält KI-unterstützte Selbstverbesserung für realistisch, hält eine Intelligenzexplosion jedoch für unwahrscheinlich. Das Finden guter Forschungsideen und die verlässliche Bewertung von Ergebnissen bleiben für KI-Systeme besonders schwierige Probleme.
Auch andere KI-Labore nutzen bereits KI, um neue Modelle zu bauen. Anthropic gibt an, dass Claude inzwischen einen großen Teil seiner eigenen Entwicklungsarbeit übernimmt, während OpenAI KI-Agenten in seiner gesamten Forschungspipeline einsetzt. Wie weit diese Automatisierung tatsächlich reicht, ist noch umstritten. Eine Untersuchung von mehr als 700 Aufgabenprotokollen ergab, dass KI-Agenten große Teile der Arbeit übernehmen, Menschen aber noch immer die meisten kritischen Forschungsentscheidungen treffen.
Dies sind die Schritte, die Recursive mit der Eureka Machine automatisieren möchte. Flint ist ein erstes konkretes Ergebnis, beweist aber noch keine vollständige rekursive Selbstverbesserung. Dafür müsste das Unternehmen zeigen, dass ein mit der Eureka Machine gebautes Modell die Eureka Machine selbst tatsächlich zu einer besseren Forscherin macht.
Quelle: Recursive