Recursive lanza Flint: modelo de 40.000M creado por IA

Flint: un modelo de 40.000 millones que corre en una laptop

Recursive presentó Flint, un modelo de programación de 40.000 millones de parámetros que, según la empresa, fue diseñado casi en su totalidad por otro sistema de IA en lugar de por ingenieros humanos. La compañía publicó los pesos en Hugging Face bajo licencia Apache 2.0, lo que significa que cualquier equipo puede descargarlo, modificarlo y usarlo comercialmente sin pagar una API.

El dato que lo hace relevante para un founder no es el tamaño, sino dónde corre: Flint activa apenas 2.500 millones de parámetros por cada token que procesa, gracias a una arquitectura mixture of experts. Según la ficha técnica del modelo, cada capa MoE aloja 256 expertos, un router elige 6 por token y un experto compartido siempre participa. El resultado es que el modelo carga el conocimiento de uno de 40.000 millones pero computa como uno mucho más chico.

En las pruebas que describió Wired, Flint corrió en una Mac con 48 GB de memoria y respondió con fluidez a pedidos de programación: una lista de tareas para la terminal, una herramienta de rastreo web y un sitio simple que explica la autosuperación recursiva. La ventana de contexto es de 262.144 tokens y su conocimiento llega hasta junio de 2026, según la documentación del modelo.

¿Qué velocidad alcanza un modelo que no depende de la nube?

Recursive informó que, con su motor de inferencia optimizado, Flint genera más de 125 tokens por segundo en una MacBook Pro con chip M4 Pro y más de 150 tokens por segundo en una placa NVIDIA RTX Spark. El medio especializado i-Scoop recogió mediciones de la compañía que ubican a Flint en unos 131 tokens por segundo en un M4 Pro, frente a 58-69 tokens por segundo de Gemma 4 y Nemotron 3.5 Lightning en la misma máquina.

Para un agente de código que da decenas de pasos, esa diferencia es la distancia entre esperar un minuto y esperar cinco. Y para un equipo, cambia tres cosas concretas: el código nunca sale del portátil, no hay factura por token y la licencia Apache 2.0 no impone topes de usuarios ni cláusulas atadas al tamaño de la empresa.

El requisito real es de hardware. Las versiones de 4 bits pesan alrededor de 23 GB y el motor propio de Recursive pide al menos 48 GB de memoria unificada. Un portátil de 16 o 32 GB no lo corre de forma oficial.

Cómo Eureka Machine construyó el modelo casi sin humanos

El argumento central de Recursive es el proceso, no el producto. Un equipo reducido construyó el modelo desde cero en menos de cuatro meses con la ayuda de un sistema interno llamado Eureka Machine, que propone ideas de investigación, las implementa, las prueba y decide qué intentar a continuación sin supervisión constante de personas.

Richard Socher, director ejecutivo y cofundador, le dijo a Wired que "casi todos los aspectos de la totalidad de la canalización del modelo fueron hechos y mejorados por IA". La empresa detalló tres decisiones concretas en su blog:

• La forma del modelo. Partió de un diseño base de 35.000 millones de parámetros con 3.000 millones activos, exploró configuraciones de expertos y anchos, y llegó a la versión final de 40.000 millones con 2.500 millones activos, la combinación que proyectó como el mejor equilibrio entre velocidad y calidad de programación.
• Una capa de salida en 4 bits. Es una decisión poco habitual, porque esa capa concentra buena parte del peso total en un modelo con tan pocos parámetros activos. Según recogió Analytics Insight, el entrenamiento en baja precisión redujo el tamaño del modelo un 71% con una pérdida de calidad mínima.
• Destilación de recuperación. El modelo comprimido aprende de sus propias respuestas generadas con la versión de mayor precisión como maestra. Según Recursive, la versión final en baja precisión quedó apenas 0,7 puntos por debajo de la versión sin comprimir en sus pruebas internas.

A eso se suma código optimizado para los chips de Apple y NVIDIA que usa el modelo. La advertencia importante: esto no es un modelo que se entrenó solo mientras nadie miraba. Eureka Machine es un asistente de investigación supervisado por personas que pueden detener el proceso, y la empresa no ha dicho cuánto tiempo de investigador ahorró ni cuánto costó construir Flint, según i-Scoop.

¿Qué tan bueno es Flint comparado con otros modelos chicos?

La empresa reportó en la ficha técnica de Hugging Face 89,7% en SWE-bench Pro v2, 74,2% en SWE-bench Verified y 54,9% en Terminal-Bench 2.1, tres exámenes que miden la capacidad de resolver tareas de programación reales. Son mediciones propias, no de un laboratorio externo.

En el cuadro comparativo que acompañó el lanzamiento, recogido por i-Scoop, Flint aparece por delante de alternativas del mismo rango en dos de las tres pruebas, pero por detrás de Qwen 3.8 (modelo denso), que marcó 73,0 en Terminal-Bench 2.1 y 94,9 en SWE-bench Pro v2. Muse Glimmer también lo supera en SWE-bench Verified con 76,0 frente a 74,2.

Hay tres matices que conviene tener presentes antes de tomar decisiones: SWE-bench Pro v2 es una medición propia de Recursive y no es comparable con el leaderboard público de SWE-bench Pro; algunas cifras de competidores provienen de versiones distintas del benchmark; y Terminal-Bench, donde el modelo trabaja en una terminal real, es justamente el resultado más flojo de Flint. La propia empresa reconoce que puede necesitar más guía que los grandes modelos cerrados y recomienda dividir tareas complejas en pasos más chicos.

Autosuperación recursiva: el debate que Flint reabre

La autosuperación recursiva (RSI) es la idea de que una IA diseñe una versión más capaz de sí misma y repita el proceso en bucle. Quienes la defienden sostienen que podría acelerar el progreso científico y abaratar el desarrollo de sistemas avanzados. Quienes la cuestionan advierten que un ciclo así podría volverse difícil de supervisar o de detener.

Ese temor ganó visibilidad después de que un investigador renunciara a Anthropic en septiembre y advirtiera que los avances en inteligencia artificial podrían derivar en riesgos graves para la humanidad en pocos años, una advertencia que luego repitieron otros especialistas. Varios proyectos de ley presentados en el Congreso de Estados Unidos proponen directamente prohibir la técnica.

Socher calificó esos temores como más propios de la ciencia ficción que de un riesgo real y afirmó que Flint fue construido con un sistema que no puede escapar del control humano. Dijo que el objetivo es que Eureka Machine alcance una autosuperación recursiva completa, pero siempre bajo supervisión de personas capaces de interrumpir el proceso. Wired menciona además trabajo publicado por un equipo de Microsoft, Carnegie Mellon y la Universidad de Virginia que muestra cómo un agente de código puede mejorarse a sí mismo modificando su propio software y sus pesos, señal de que el terreno se está moviendo más rápido que la legislación.

Qué significa esto para tu startup

El mensaje práctico no es "llega la IA que se mejora sola". Es que un modelo de programación competitivo, de pesos abiertos y sin factura por token, ya es una opción real para equipos chicos. El contexto lo confirma: un análisis de MIT Sloan sobre actividad de OpenRouter entre mayo y septiembre de 2025 encontró que la inferencia con modelos abiertos costó en promedio 23 centavos por millón de tokens, frente a 1,86 dólares en modelos cerrados, según recogió eWeek. Y el informe State of Open Source AI v1.1 de la Mozilla Foundation, publicado el 15 de septiembre de 2026, señala que los modelos de pesos abiertos procesaron la mayoría del tráfico de desarrolladores en OpenRouter en agosto de 2026 pero capturaron apenas el 4% de los ingresos de la capa de modelos, con unos 24.800 millones de dólares anuales en ahorros no realizados según la Linux Foundation.

Dos acciones concretas para esta semana:

• Haz un piloto local antes de renovar tu suscripción de asistente de código. Si tienes un equipo con 48 GB de memoria (Mac M4 Pro o superior, o una RTX Spark de 64 GB), Flint se puede levantar con Ollama, LM Studio, llama.cpp, vLLM o SGLang, todos con endpoint compatible con OpenAI. Empieza por una tarea repetitiva y medible —refactorizar un módulo, escribir tests, migrar un componente— y compara tiempo y calidad contra tu herramienta actual.
• Define tu política de qué código se queda local y qué va a la nube. El argumento de venta de los modelos locales es que el código fuente, las credenciales y los datos de clientes no salen del portátil, lo que simplifica el cumplimiento. Ojo con un detalle: Flint también está disponible gratis en OpenRouter, con un único proveedor y sin que la página aclare si los prompts se registran o se usan para entrenamiento. Para código real de la empresa, usa la versión local, no el endpoint gratuito.

El siguiente paso que anunció Recursive son modelos locales más capaces y la infraestructura para ejecutarlos. Para un founder, la pregunta ya no es si probar un modelo local, sino qué trabajo se queda en el portátil y qué trabajo sigue yendo a la nube.

Fuentes

• Infobae: una startup liberó un modelo de IA que habría sido construido casi en su totalidad por otra (fuente original)
• Wired: This Startup Is All In on Recursive Self-Improvement. Its Latest Model Is Scary Good
• i-Scoop: Recursive's Flint is a laptop coding model largely built by its own research AI
• Crypto Briefing: Recursive launches Flint, a fast open-weight coding model built to run locally
• Analytics Insight: Recursive Flint AI: Free 40 Billion Coding Model Runs Offline
• eWeek: China's Open-Weight AI Push Tests Enterprise Model Strategy
• Tech Times: Chinese Open-Weight AI Handles Most Developer Tokens: Closed Models Capture 96% of Revenue