BitShovel
EN

模型与接入 · 本地编程的新选择

Flint：让编程代理在笔记本上工作，要看哪些条件？

Recursive 开放了 398 亿参数的编程模型与本地引擎。它让代码留在自己的设备上有了新选择，但短上下文的生成速度、长任务的成功率和整台机器的门槛，需要分开读。

Recursive在10月21日公开Flint与本地引擎。rec当前支持M4 Pro、M5 Pro或M5 Max，要求至少48GB统一内存、约30GB磁盘；其他运行入口与精度配方分别核对。下文采用厂商结果，本站没有安装引擎或运行编程任务。

Recursive发布页的Flint官方视觉：紫色背景上的橙色立体三角石块标记。
Recursive的Flint官方发布视觉，用于辨认本次模型；它不是某台笔记本的实测画面。能力和速度的完整原图见后两章。 · 打开大图
本文目录目录4

EN

代码留在自己的机器上，模型还需要哪些搭档

Recursive 把 Flint 定位为本地编程代理的模型：读仓库、找错误、实现功能、写测试。它提供文字推理和多轮工具调用，398 亿总参数中，每次生成激活约 25 亿参数。激活量说明每步计算选择了一部分专家，不表示只需存放 25 亿参数，也不等于模型已经替你完成了一个工程。

这次同时公开的 rec 承担本地推理，Pi 或 OpenCode 等编程工具负责给模型接上文件与命令。模型、引擎和工具分工后，代码可以在本机处理；是否真正不向外发送数据，还要看所接工具、网络请求和具体配置。对有本地需求的人，这是一个可进一步检验的选择，而不是所有笔记本上的即开即用助手。

来源与延伸阅读

EN

先看做了哪套题，再看分数

厂商报告的 BF16 结果是 Terminal-Bench 2.1 54.9%、SWE-bench Pro v2 89.7%、SWE-bench Verified 74.2%。它们分别反映规定终端任务与代码修复测试中的表现，不是 89.7% 的现实工程都能交给它。原图也能看到，较大的稠密模型在若干项目仍更高；“同类中领先”带着模型规模和测试选择的前提。

Flint 的代理测试至少每题五次尝试，报告平均 pass@1，允许最长五小时。Terminal-Bench 用 Terminus 2、可联网，但通过检索取得解法的结果被判为失败；SWE-bench 用 mini-swe-agent、不联网。图里的其他模型不全由同一团队复做。因此它尚不能进入本站现有 AA 综合榜、Pi/high 小样本榜或物理续视频榜：测试版本、工具和任务不同，没有同口径成绩。

Recursive 原图：Flint BF16 与 NVFP4 在六项测试中的结果，与若干本地模型对照；不同测试并非都由 Flint 领先。
厂商原图，六个面板共用从零开始的刻度。深浅紫分别为 BF16 与 NVFP4；† 表示 Recursive 内部测量，其余比较项可能是开发者自报。图例的约 20 亿激活不含输出头，模型卡计入输出头时约为 25 亿。测试工具、联网及时间限制见正文，不能把六项平均当作本站综合榜。 · 打开大图
来源与延伸阅读

EN

每秒生成得快，不等于整项任务都快

原速度表把 M4 Pro 的 48GiB 机器单独列出：Flint 的 MLX 路径在 1K 输入时为 131.22 token/s，沿输入增长至 128K 的归一化均速是 68.89；同模型的 llama.cpp 路径分别为 87.98 和 47.58。短提示的峰值不能延伸到长仓库，也没有计算读入提示、工具执行、测试和重试。看自己的工作时，等待多久交齐结果，比只看输出跳得多快更有用。

rec 的固定说明支持 M4 Pro、M5 Pro 或 M5 Max，要求至少 48GB 统一内存和约 30GB 空闲磁盘，当前优化目标是单会话。Ollama 的约 23GB 分发文件与原 BF16 的约 80GB 下载，是不同配方，不是彼此矛盾的整机内存要求。发布文章说最高 512k、建议不超过 256k；本文核对的固定模型卡与配置写 262144 token，且输入输出共用。实际接入应按所下载的版本和运行时设置核对，不能只拿宣传最大值预留输入。

厂商速度原表：M4 Pro 48GiB 上 Flint MLX 在 1K 输入时为 131.22 token/s，至 128K 的归一化均速为 68.89；另列 llama.cpp 和 RTX Spark。
完整保留机器、运行时、短上下文和平均两列。这里计量生成阶段 token/s，不含提示预填充；through 128K 的平均也不是 128K 这个点的速度，更不是一次改完代码的总耗时。MLX、llama.cpp、NVFP4 和 rec 的数字不能只按同一个模型名字互换。 · 打开大图
来源与延伸阅读

EN

自动化研究值得追踪，日常交办仍看一个完整结果

Flint 还有一条值得跟进的线：Recursive 称自己的 Eureka Machine 参与了模型结构、量化、内核、数据与训练配方的探索。原文具体描述了从 350 亿总量、30 亿激活的基线搜索到当前结构，以及用 16-bit 模型作老师修复量化损失。它说明团队怎样把研究自动化接到本地速度上；“不到四个月从头构建”和效果归因仍是厂商陈述，没有证明研发全程无人参与。

如果已有合适的机器，先用一个知道验收方式的小任务理解这种取舍：例如找一个已能复现的错误，只要求修复它并跑过相关测试。保留它读了什么、改了什么、失败后怎样调整，以及交齐结果花了多久；再与自己熟悉的工具对照。这个建议不是本站已完成的实测。Flint 真正值得继续看的，是能否让一部分编程工作在本地稳定做完，以及为此需要多少人工指导。

来源与延伸阅读