Recursive Superintelligence 发布首个模型 Flint，权重已上 Hugging Face，Apache 2.0。Flint 是给本地 coding agent 做的 MoE 模型：39.8B 总参数，每 token 激活约 2.5B，纯文本，上下文 262,144（官方博客称最高 512K）。

硬件门槛写得很具体：48GB 的 Apple Silicon（M4 Pro、M5 Pro、M5 Max）或 48GB 显存的英伟达卡。4-bit 权重约 23 GB，MLX INT4 版 22.6 GB，NVFP4 GGUF 版 22.9 GB；BF16 检查点 80 GB，服务端要一张 B300 或 H200 起一个副本。llama.cpp、Ollama、LM Studio、vLLM、SGLang 都能跑。

速度是 Recursive 自报、短上下文口径：M4 Pro 的 MacBook Pro 上 125 tok/s 以上，64GB RTX Spark 上 150 tok/s 以上，称比同级模型快最多 2 倍；自家 rec 引擎在 M4 Pro 上是 llama.cpp 吞吐的 1.4 到 2.6 倍。暂无第三方复测。

基准同样全部自报（温度 1.0、top-p 0.95）：SWE-bench Verified 74.2%，LiveCodeBench v6 80.3%，IFEval 95.1%。弱项也摆在表里：Terminal-Bench 2.1 是 54.9%，明显低于稠密版 Qwen 3.8 的 73.0%。SWE-bench Pro v2 的 89.7% 是 Recursive 自测口径，官方注明和公开榜的 SWE-bench Pro 不可比。

架构由 Recursive 的自动化研究系统 Eureka Machine 参与设计：49 层（2 层稠密加 47 层 MoE），每层 256 个路由专家选 6 个加 1 个共享专家；35 层用 513 token 滑动窗口，14 层全注意力。它还做了两个非常规决定：把输出层量化到 4 bit 再用离线蒸馏找回精度，NVFP4 与 BF16 只差 0.7 分以内；在 M4、M5 上用一个 Metal megakernel 把整个 decode 前向融合掉。