田渊栋创业公司开源首款 RSI 模型
前 Meta FAIR 研究科学家总监田渊栋参与创立的 Recursive Superintelligence，终于发布了首款开源模型 Flint。

这家公司由 Richard Socher 担任 CEO，田渊栋也是联合创始人之一。此前融资超过 6.5 亿美元，估值达到 46.5 亿美元，主要研究方向就是 RSI（递归自我改进）。

📌 模型架构与性能
🔹 40B MoE 模型，每个 Token 仅激活 2.5B 参数
🔹 专门面向本地 Agent 编程，在 SWE-bench、Terminal-Bench 等评测中，官方称领先于 50B 以下的同类 MoE 模型
🔹 M4 Pro MacBook Pro：125+ tokens/s
🔹 NVIDIA RTX Spark：150+ tokens/s
🔹 相比编程能力接近的 25B～40B 稠密模型，推理速度快 5 倍以上
🔹 支持最高 512K 上下文，Apache 2.0 许可证，模型权重已上传 Hugging Face

📌这个模型怎么训练出来的
Recursive 表示，Flint 是一个小团队借助自动化 AI 研究系统 Eureka Machine，在不到 4 个月内从零开发出来的。
Eureka Machine 可以自动完成研究闭环：
提出想法 → 编写代码 → 运行实验 → 评估结果 → 继续优化。
而且它不只是调调超参数，而是参与了几乎整个模型开发流程。
比如：
🔹 模型架构：自动搜索不同 MoE 专家配置，最终选择 40B 总参数、2.5B 激活参数的架构。
🔹 量化方案：探索 4-bit 量化和蒸馏策略，让最终 NVFP4 模型与 16-bit 模型的评测差距不到 0.7 分。
🔹 推理优化：自动开发针对 Apple Silicon 和 NVIDIA 硬件的 Kernel，甚至在 M4/M5 上实现了融合整个 Decode 前向计算的 Metal Megakernel。
这些优化叠加在一起，才有了 Flint 的本地推理速度。

Flint 还不是一个能够自主递归改进的 RSI 模型，更准确地说，它是利用自动化 AI 研究系统开发出来的模型。
这次 Flint 算是一次初步验证。虽然还远远谈不上实现了完全自主的递归自我改进，但 AI 已经开始深入参与模型架构、训练算法和底层推理优化了。

大模型