Recursive_SI, la start-up de Yuandong Tian, lance Flint-40B-A2B : un modèle conçu en moins de 4 mois

Recursive_SI, une entreprise à la création de laquelle Yuandong Tian a participé, a dévoilé son premier modèle. Flint-40B-A2B est un modèle rapide pour la programmation agentique, conçu pour tourner sur du matériel local. Il repose sur une architecture de « mélange d'experts » (MoE) : 40 milliards de paramètres au total, dont environ 2 milliards travaillent pour chaque token. Environ cinq mois séparent l'annonce de la start-up, en mai, de la sortie du modèle, et le développement proprement dit, parti de zéro, a duré moins de quatre mois. L'IA a participé au travail pendant toute cette période : le modèle a été créé à l'aide du système interne de recherche automatisée Eureka Machine.

Ce que cache le nom 40B-A2B

Dans les modèles MoE, on lit habituellement la mention A2B comme le nombre de paramètres actifs. Pour Flint, cela signifie ceci. Il faudra stocker les 40 milliards de poids, mais le calcul par token sera à peu près celui d'un modèle de 2 milliards de paramètres. Pour un usage en local, c'est une combinaison commode. Sur les machines personnelles et de bureau, le goulot d'étranglement est généralement la mémoire et sa bande passante, plutôt que la puissance de calcul de pointe. Si, à chaque étape, le modèle ne lit en mémoire qu'une petite fraction des poids, la vitesse de génération est nettement supérieure à celle d'un modèle dense de taille comparable.

Un calcul simple montre où se situe la limite. En quantification 4 bits, 40 milliards de paramètres occupent environ 20 Go ; en 8 bits, environ 40 Go. La première variante tient sur une station de travail dotée d'une carte graphique puissante ou sur un portable disposant d'une grande quantité de mémoire unifiée. La seconde exige déjà une configuration sérieuse. Pour un agent qui, au cours d'une session, lit le dépôt des dizaines de fois, lance des tests et modifie des fichiers, la réactivité compte plus que quelques points de plus sur un benchmark. C'est précisément sur elle que Recursive a fait son pari.

Un chercheur qui travaille sans relâche

Le plus intéressant dans cette sortie, c'est la méthode de fabrication. L'entreprise présente Eureka Machine comme son propre système de recherche automatisé, et affirme qu'il a participé au développement du modèle de bout en bout. L'idée : une partie de la routine du cycle ML moderne passe à l'IA, qu'il s'agisse du choix des expériences, du lancement et de l'analyse des entraînements ou de la vérification des hypothèses. L'humain reste celui qui pose les problèmes et qui arbitre.

Pour une start-up, c'est une question de survie, pas une expérience gratuite. Une petite équipe n'a pas une armée de chercheurs comme les grands laboratoires. Si l'automatisation raccourcit le cycle « hypothèse — expérience — conclusion », alors quatre mois entre la page blanche et un modèle fonctionnel apparaissent comme un objectif réaliste. Le nom de l'entreprise, Recursive_SI, laisse entrevoir une ambition plus grande : une IA qui aide à améliorer l'IA.

Paramètres clés de la sortie :

• modèle : Flint-40B-A2B ;
• architecture : MoE, environ 40 milliards de paramètres au total et environ 2 milliards actifs par token ;
• usage : programmation agentique ;
• environnement d'exécution : matériel local ;
• durée de développement : moins de quatre mois, à partir de zéro ;
• outil de création : Eureka Machine, le système de recherche automatisée propre à Recursive.

Ce qu'il faut surveiller quand on choisit un agent de codage local

Les modèles de code locaux intéressent les équipes qui ne veulent pas envoyer leurs sources à des API externes : pour des raisons de sécurité, de coût des tokens ou simplement de latence. Flint vise précisément cette niche, où chaque modèle a des concurrents bien identifiés parmi les solutions MoE ouvertes.

Le test pratique est simple. Premièrement, mesurez la vitesse réelle sur votre propre matériel, en tokens par seconde avec un contexte long, car les scénarios agentiques gonflent vite l'historique de la conversation. Deuxièmement, évaluez le modèle non pas sur des tâches synthétiques, mais sur vos propres dépôts : correction de bug, refactorisation, écriture de tests. Troisièmement, observez comment il tient les chaînes d'outils quand les étapes sont nombreuses et qu'une seule erreur entraîne toutes les autres.

Il faudra aussi suivre ce que Recursive montrera ensuite. Si Eureka Machine a réellement ramené le cycle de développement d'un modèle à quelques mois, les prochaines sorties de la start-up arriveront vite. Le produit principal ne sera alors plus un modèle isolé, mais le système qui les produit.