Recursive_SI, de Yuandong Tian, lanza Flint-40B-A2B: un modelo creado en menos de 4 meses

Recursive_SI, la compañía en cuya creación participó Yuandong Tian, ha presentado su primer modelo. Flint-40B-A2B es un modelo rápido para programación agéntica, pensado para ejecutarse en hardware local. Usa una arquitectura de mezcla de expertos (MoE): tiene 40 mil millones de parámetros en total, de los cuales unos 2 mil millones trabajan en cada token. Pasaron unos cinco meses desde el anuncio de la startup en mayo hasta la salida del modelo, y el desarrollo desde cero llevó menos de cuatro. Durante todo ese tiempo participó una IA: el modelo se creó con ayuda de Eureka Machine, el sistema interno de investigación automatizada de la empresa.

Qué significa 40B-A2B en el nombre

En los modelos MoE, la etiqueta A2B se lee por convención como el número de parámetros activos. En el caso de Flint, esto implica lo siguiente. Hay que almacenar los 40 mil millones de pesos, pero el cómputo por token será aproximadamente el de un modelo de 2 mil millones. Para la ejecución local es una combinación conveniente. El cuello de botella de los equipos domésticos y de oficina suele ser la memoria y su ancho de banda, no el cómputo máximo. Si en cada paso el modelo lee de la memoria solo una pequeña fracción de los pesos, la velocidad de generación resulta claramente superior a la de un modelo denso de tamaño comparable.

Una aritmética sencilla muestra dónde está el límite. Con cuantización de 4 bits, 40 mil millones de parámetros ocupan en torno a 20 GB; con 8 bits, unos 40 GB. La primera opción cabe en una estación de trabajo con una GPU potente o en un portátil con mucha memoria unificada. La segunda exige ya un equipo serio. Para un agente que a lo largo de una sesión lee el repositorio, lanza tests y edita archivos decenas de veces, la velocidad de respuesta pesa más que unos puntos extra en un benchmark. Esa es precisamente la apuesta de Flint.

Un investigador que trabaja sin descanso

Lo más interesante de la publicación es cómo se creó el modelo. La compañía presenta Eureka Machine como su propio sistema de investigación automatizada y, según Recursive, participó en el desarrollo durante todo el proceso. La idea es que una parte de la rutina del ciclo moderno de ML pasa a manos de la IA: selección de experimentos, lanzamiento y análisis de ejecuciones, verificación de hipótesis. El humano se queda como quien plantea las tareas y hace de árbitro.

Para una startup, esto es cuestión de supervivencia, no un experimento por el experimento. Un equipo pequeño no dispone de un ejército de investigadores como el de los grandes laboratorios. Si la automatización comprime el ciclo «hipótesis, experimento, conclusión», cuatro meses desde la hoja en blanco hasta un modelo funcional parecen un objetivo realista. El nombre de la compañía, Recursive_SI, apunta a una meta más ambiciosa: una IA que ayude a mejorar la IA.

Parámetros clave del lanzamiento:

• modelo: Flint-40B-A2B;
• arquitectura: MoE, unos 40 mil millones de parámetros en total y unos 2 mil millones activos por token;
• finalidad: programación agéntica;
• entorno de ejecución: hardware local;
• plazo de desarrollo: menos de cuatro meses desde cero;
• herramienta de creación: Eureka Machine, el sistema propio de investigación automatizada de Recursive.

Qué tener en cuenta al elegir un agente de programación local

Los modelos de programación locales interesan a los equipos que no quieren enviar su código fuente a API externas, ya sea por requisitos de seguridad, por el coste de los tokens o simplemente por la latencia. Flint apunta justo a ese nicho, donde cada modelo tiene competidores concretos entre las soluciones MoE abiertas.

La comprobación práctica es sencilla. Primero, mida la velocidad real en su propio hardware, en tokens por segundo con contexto largo, porque los escenarios agénticos inflan rápidamente el historial de la conversación. Segundo, pruebe el modelo no con tareas sintéticas, sino con sus propios repositorios: corrección de un bug, refactorización, escritura de tests. Tercero, observe cómo maneja las cadenas de herramientas cuando hay muchos pasos y un solo error arrastra a los demás.

Conviene, además, seguir lo que Recursive muestre a continuación. Si Eureka Machine ha reducido de verdad el ciclo de desarrollo de un modelo a unos pocos meses, los próximos lanzamientos de la startup llegarán rápido. Entonces el producto principal no será un modelo concreto, sino el propio sistema que los produce.