Recursive lanza Flint: modelo abierto que corre en local

Flint: un modelo de 40B que corre en tu propio equipo

Recursive Superintelligence publicó el 21 de octubre Flint, un modelo de programación de pesos abiertos bajo licencia Apache 2.0 que genera más de 125 tokens por segundo en un MacBook Pro con chip M4 Pro. Para un equipo que hoy paga por token cada vez que un agente recorre un repositorio entero, el cambio de fondo es que el costo deja de ser una factura de API y pasa a ser hardware y electricidad.

Flint es un transformer mixture-of-experts de 39.800 millones de parámetros totales con unos 2.500 millones activos por token. Cuarenta y nueve capas, 256 expertos enrutados por capa de los que se seleccionan seis más uno compartido siempre activo, y una mezcla de 35 capas de atención de ventana deslizante con 14 de atención completa. El corte de conocimiento declarado es junio de 2026.

La ficha del modelo documenta 262.144 tokens de contexto; el blog de la empresa dice que soporta hasta 512.000 y recomienda no pasar de 256.000. Los dos repositorios GGUF se lanzan con 262.144, la misma cifra que documenta la ficha principal, así que esa es la que se sostiene.

El «portátil» tiene letra pequeña

Aquí conviene bajar el entusiasmo. La variante GGUF para Apple Silicon ocupa unos 26 GB y su documentación es explícita: requiere un Mac con Apple Silicon y al menos 48 GB de memoria unificada. La variante para NVIDIA pesa 22,9 GB y recomienda al menos 48 GB de memoria de GPU o memoria unificada en Spark.

El checkpoint principal, el BF16 del repositorio central, son unos 80 GB de descarga y su documentación pide una GPU B300 o H200 por réplica. Ni siquiera incluye todavía el código de modelado para Transformers.

Traducido a una decisión de compra: local aquí significa local en una máquina de gama alta. Un portátil de 16 GB no lo corre. Lo que sí cambia es que ese equipo de 48 GB ya no necesita enviar el código a un tercero.

La velocidad es la mejor baza. La empresa declara más de 125 tokens por segundo en un MacBook Pro con M4 Pro y más de 150 en una RTX Spark de 64 GB, esto último en contextos cortos. Los 58 a 69 tokens por segundo de Gemma 4 y Nemotron 3.5 Lightning en la misma máquina, que es la comparación que cita TechCrunch, salen también de las pruebas de Recursive, no de una medición independiente. Y el pie del gráfico añade el matiz que importa: la medición es la media a lo largo de una sesión de 128.000 tokens y excluye el prefill.

¿Es el mejor modelo de su clase?

Depende de cómo se defina la clase, y la empresa la define con cuidado. Su reclamo literal es que Flint lidera los modelos MoE de menos de 50.000 millones de parámetros totales en benchmarks de coding agéntico. Eso es verosímil y cuadra con su gráfico.

Lo que el gráfico también muestra: Flint pierde frente a un modelo denso de la franja de 27.000 a 31.000 millones de parámetros —el Qwen 3.8, que TechCrunch identifica como el de 27.000 millones— en cuatro de los seis test, incluidos Terminal-Bench 2.1 (54,9 frente a 73,0), SWE-bench Verified (74,2 frente a 75,6) y LiveCodeBench v6 (80,3 frente a 90,3). Gana en IFBench y en IFEval.

Dos avisos sobre esa tabla, los dos de la propia empresa. El primero: las puntuaciones rivales no se midieron de nuevo salvo las marcadas, y la ficha del modelo advierte de que los setups de evaluación varían entre fuentes. Es una comparativa de la empresa con las reglas de la empresa. El segundo: Flint puntúa 89,7 en SWE-bench Pro v2 y 74,2 en SWE-bench Verified, cuando Pro se presentó como el más difícil de los dos. Sacar quince puntos más en el test duro es contraintuitivo, y ese panel es precisamente el que está marcado como medido internamente. No conviene usar esa cifra sin advertirlo.

¿Qué construyó realmente la Eureka Machine?

Nadie lo sabe, y eso incluye a quien lo afirma. El consejero delegado, Richard Socher, exjefe científico de Salesforce, declaró a Wired que casi todos los aspectos del pipeline del modelo fueron ejecutados y mejorados por IA. La formulación oficial del blog es bastante más prudente: su sistema, la Eureka Machine, ayudó a desarrollar casi todas las partes del stack de construcción del modelo.

No hay porcentaje. Ni auditoría externa, ni forma de comprobarlo desde fuera. TechCrunch lo hace constar: la empresa no dijo cuánto tiempo le ahorró el sistema a sus investigadores.

Lo que el post oficial describe, y es concreto, son tres aportaciones de ingeniería:

• Búsqueda de arquitectura: partiendo de una base de 35.000 millones de parámetros totales y 3.000 activos, exploró configuraciones hasta dar con la actual.
• Receta de cuantización: cuantiza la capa de salida a 4 bits contra la práctica habitual, usando casi la mitad de pasos de entrenamiento que su línea base.
• Kernels especializados, incluido un megakernel de Metal que fusiona todo el paso de decodificación en los chips M4 y M5.

Eso es optimización automatizada. Es real y es valiosa. No es lo mismo que la imagen que evoca que lo construyó la IA.

La única evidencia inspeccionable del sistema es anterior, de un post de junio: mejoró el mejor resultado comunitario en una tarea de entrenamiento de modelos pequeños y recortó un récord de velocidad que la comunidad llevaba más de dos años optimizando, de 79,7 a 77,5 segundos. Con una nota al pie que conviene leer: estaban a la espera de acceso al hardware oficial para enviarlo al ranking, así que ese récord no está homologado. El mismo post admite que el reward hacking fue especialmente difícil en una de las tareas.

Hay un detalle que explica buena parte del encuadre: el sistema se llama Eureka Machine y Socher publicó en septiembre un libro titulado exactamente así. El reclamo tiene una dimensión promocional personal que conviene tener presente.

El negocio detrás: US$650M, AWS y agent count

Recursive salió del anonimato en mayo de 2026 con más de 650 millones de dólares levantados y una valoración de 4.650 millones, según recogió Crypto Briefing, con Google Ventures, Greycroft, Nvidia y AMD Ventures entre sus inversores. La empresa está constituida en Londres, tiene oficinas en Londres y San Francisco, y la dirigen Socher y Tim Rocktäschel, profesor en el UCL y exinvestigador de Google DeepMind, según i-Scoop.

En julio de 2026 firmó un contrato de cómputo multianual de 410 millones de dólares con AWS, cerca de dos tercios de lo que había levantado, según The Next Web. Socher lo resumió así ante TechCrunch: para ellos se trata menos de número de empleados y más de número de agentes. Y añadió que ese acuerdo será probablemente uno de los contratos de cómputo más pequeños que firmen en los próximos años.

Ese es el modelo que Flint viene a demostrar: un equipo de unas 25 personas, según The Next Web, una factura de cómputo de laboratorio frontera y un investigador automatizado. Si funciona, la ventaja competitiva deja de medirse en cuántos investigadores contratas.

Qué significa esto para tu startup

1. Separa qué código puede salir de tu red y qué no. Un modelo de pesos abiertos bajo Apache 2.0 no tiene topes de usuarios ni cláusulas de uso aceptable atadas al tamaño de la empresa, a diferencia de otras licencias de pesos abiertos, según i-Scoop. Si tu equipo trabaja con código propietario o datos de clientes, eso elimina una clase entera de preguntas sobre transferencia de datos. Ojo con el atajo: Flint también está disponible gratis en OpenRouter, y ese endpoint tiene un solo proveedor, Recursive, cuya página no aclara si los prompts se registran o se usan para entrenamiento. Pruébalo ahí, pero no mandes código real sin revisar los términos.

2. Calcula el costo total antes de entusiasmarte. El modelo de 4 bits ocupa unos 23 GB, según i-Scoop; súmale el sistema operativo, el contexto y el resto de tus herramientas. La recomendación de la empresa es 48 GB de memoria. Si tu equipo no tiene ese hardware, la alternativa es el endpoint gratuito, con el intercambio de privacidad que implica.

3. Trata el modelo como alquilado y el contexto como propio. Flint es bueno, pero no será el mejor por mucho tiempo: los laboratorios rivales publican modelos pequeños cada pocos meses. Lo que no caduca es tu contexto: las convenciones de tu repositorio, tus tests, tus instrucciones de sistema. Invertir ahí te permite cambiar de motor sin rehacer el trabajo.

4. Mide antes de adoptar. A 24 horas del lanzamiento no existe ninguna evaluación independiente, ni del modelo ni mucho menos de quién lo construyó. El hilo oficial en Hacker News acumulaba 24 puntos y dos comentarios, ambos sobre velocidad. Las descargas en Hugging Face, en cambio, apuntan a interés real: unas 3.000 entre las dos variantes para Apple Silicon y 1.561 de la de NVIDIA. Corre tus propios benchmarks sobre tres o cuatro tareas reales de tu equipo antes de mover nada a producción.

Conclusión

Flint es un buen modelo pequeño de código, y eso ya es bastante. Lo que no se puede comprobar es la historia que lo envuelve: la afirmación de que la IA lo construyó casi entero no tiene porcentaje, ni auditoría, ni forma de verificarse desde fuera. Lo verificable es más modesto y más útil: pesos publicados, licencia limpia, velocidad alta en hardware de gama alta y una lista honesta de lo que la empresa midió internamente.

Para un founder, la lección práctica no es si una IA construyó este modelo. Es que los modelos de código capaces que nunca sacan tu código del portátil ya son reales, y la pregunta dejó de ser si probarlos para pasar a ser qué trabajo se queda local y qué trabajo va a la nube.

Fuentes

• Recursive lanza Flint, un modelo de código abierto que, según la empresa, construyó en gran parte su propia IA (fuente original)
• Recursive Releases Flint, an Open-Weight 40B MoE Local Coding Model for Agents with 2.5B Active Params
• Recursive launches Flint, a fast open-weight coding model built to run locally
• Recursive’s Flint is a laptop coding model largely built by its own research AI
• Recursive is spending two-thirds of its funding on one AWS bill, and calls it small
• Recursive Superintelligence signs $410M compute deal with Amazon

Artículos relacionados:

Flint de Microsoft: gráficos con IA para SaaS en 2026 Recursive lanza Flint: modelo de 40.000M creado por IA Recursive lanza Flint: modelo de código gratis para laptop OpenAI y la conjetura de primos gemelos: el modelo que estrecha la brecha IPOs de IA 2026: cómo la liquidez post-IPO redefine el venture capital