A Recursive Superintelligence publicou na última quarta-feira (21) o Flint, um modelo de programação com 40 bilhões de parâmetros que roda diretamente em laptops de alto desempenho. O que torna a história diferente de centenas de lançamentos similares é que a própria Recursive afirma que quase todas as etapas do desenvolvimento do Flint foram realizadas pelo sistema automatizado de pesquisa da empresa — a Eureka Machine — e não por engenheiros humanos.
Para rodar na mesa do usuário, o Flint ativa apenas 2,5 bilhões de seus 40 bilhões de parâmetros em cada token, uma arquitetura chamada mixture-of-experts (MoE). Na prática, isso significa que o modelo usa uma pequena fatia de si mesmo para cada tarefa. O resultado é um modelo leve o suficiente para um laptop de consumidor, mas poderoso o bastante para competir em benchmarks de programação agêntica com modelos fechados muito maiores.
Em testes da empresa no SWE-Bench Verified, o Flint superou todos os outros modelos MoE com menos de 50 bilhões de parâmetros no mercado. No próprio conjunto de benchmarks da Recursive — um conjunto de seis testes, incluindo Terminal-Bench 2.1 e SWE-Bench Pro v2 — apenas um modelo, o Qwen3.8 27B da Alibaba, teve pontuação superior. A velocidade também é um diferencial: em um MacBook Pro com chip M4 Pro, o modelo gerou cerca de 131 tokens por segundo, aproximadamente o dobro da taxa de modelos similares como o Gemma 4 do Google e o Nemotron 3.5 Lightning da Nvidia.
A velocidade não é um subproduto acidental. A Recursive otimizou todo o stack de inferência do modelo. A Eureka Machine quantificou a camada de saída (lm_head) para quatro bits — contra a prática usual de manter camadas de saída em precisão mais alta — e recuperou a precisão com distilização offline, treinando o modelo quantizado em respostas pré-mostradas do modelo original de 16 bits. As quedas publicadas foram mínimas: de 74,2 para 74,1 no SWE-Bench Verified e de 54,9 para 53,7 no Terminal-Bench 2.1. É a diferença entre um modelo de 40 bilhões de parâmetros que precisaria de uma GPU de datacenter e um que cabe na memória de um laptop de luxo.
Mas a alegação mais ousada da Recursive não é sobre benchmarks ou latência. É sobre processo. Segundo Richard Socher, CEO da empresa e ex-cientista-chefe da Salesforce, "quase todos os aspectos de toda a pipeline do modelo foram na verdade feitos e aprimorados pela IA". A Eureka Machine gera ideias, executa experimentos, lê os resultados e decide qual tentativa fazer a seguir — e, segundo a empresa, contribuiu para praticamente todas as etapas da construção do Flint, desde a arquitetura e receitas de treinamento até a infraestrutura e otimização de inferência. Uma equipe pequena construiu o modelo do zero em menos de quatro meses.
O conceito de IA construindo melhor IA — a chamada auto-melhoria recursiva — já é um dos temas mais debatidos do setor. Alguns pesquisadores temem que um sistema de auto-melhoria possa escapar do controle humano. Por enquanto, a versão da Recursive é limitada: é um assistente de pesquisa de IA supervisionado por pessoas que produziu um modelo pequeno o suficiente para rodar em laptops. Socher disse à Wired que o objetivo de longo prazo é que a Eureka Machine alcance auto-melhoria recursiva total, "com seres humanos supervisionando o processo e capazes de interrompê-lo se algo der errado".
O Flint é gratuito para baixar no Hugging Face sob licença Apache 2.0, o que permite uso, modificação e distribuição livres. A Recursive também lançou um motor de inferência leve otimizado para chips M4 Pro e M5, compatível com llama.cpp, Ollama, LM Studio, vLLM e SGLang. O modelo suporta janelas de contexto de até 512 mil tokens, embora a empresa recomende ficar abaixo de 256 mil para melhores resultados.
A Recursive emergiu do sigilo em maio com US$ 650 milhões em financiamento, de investidores incluindo GV, Nvidia e AMD Ventures, com avaliação de US$ 4,65 bilhões. Também contratou um acordo de compute de US$ 410 milhões com a Amazon Web Services.
A empresa reconhece abertamente que o Flint precisa de mais direcionamento do que os grandes assistentes de programação fechados e recomenda quebrar tarefas complexas em subtarefas menores. É uma diferença importante: o Flint não substitui Claude ou Codex para refatorações pesadas. Para trabalho interativo — conclusões de código, geração de testes, correções pequenas — a latência é o fator decisivo, e é nesse nicho que o Flint se posiciona.
O que a Recursive conseguiu com o Flint não é apenas um modelo competitivo. É um protótipo de como a pesquisa de IA pode ser feita no futuro: menos reuniões e mais loops fechados de hipótese-experimento-resultado. O que ainda não sabemos é se a Eureka Machine consegue, em seus próximos ciclos, criar um modelo tão bom que não precise mais de supervisores humanos — ou se o verdadeiro teste do modelo é que ele se torne tão útil que os desenvolvedores escolham não interrompê-lo.
Fontes: TechCrunch, RITS Shanghai NYU, Dealroom
✓ Fontes independentes cruzadas e verificadas antes da publicação
