田渊栋团队首个模型开源！迈出RSI新一步

今天，田渊栋所在的Recursive团队正式开源Flint-40B-A2B，一款面向本地Coding Agent的混合专家（MoE）模型。

Recursive借助自研AI自动科研系统Eureka Machine，仅用不到4个月便完成了整套模型研发，包括Tokenizer、预训练、中期训练、监督微调、强化学习。

Flint不仅具备较强的编程能力，而且针对本地设备进行了优化。比同类模型最高快 2 倍，在MacBook Pro上，生成速度超过每秒125 Token；在NVIDIA RTX Spark设备上，则超过每秒150 Token。

模型发布后，Recursive研究员Cong Lu还展示了一个更有意思的方向：让Flint在本地完成一整套自动科研流程。

研究者只需要提供任务和可衡量的评价指标，Flint就能够提出思路、编写代码、运行实验，再根据反馈不断改进方案。

在圆形填充问题中，Flint需要在正方形区域内安排圆的位置与大小，尽可能优化布局。即使没有视觉输入，它也能通过代码调整圆的位置和半径，尝试不同初始化方案，并根据得分继续优化。

在工厂调度任务中，Flint尝试重新排列作业执行顺序，减少机器等待时间。最终，相比轮询调度（Round-robin）基线，任务整体完成时间提前了26%。

第三项实验则是共享单车需求预测。

研究者使用公开的UCI Bike Sharing数据集，让Flint根据天气、日期等信息预测租车需求。

Flint探索了结合对数与二次时间特征、残差树模型的方法，使验证集RMSLE降低30.8%，留出测试集RMSLE降低9.1%。

之前想做自动科研一般都需要调用大型闭源模型，但现在Flint已经能够在笔记本电脑上完成提出假设、编写程序、验证结果和迭代改进的流程。

Flint的另一层意义，在于它本身就是AI自动科研系统的研究成果。

Recursive的AI自动科研系统Eureka Machine深入参与了Flint的研发过程，覆盖模型架构探索、训练数据与优化方法、模型量化以及底层推理加速等多个环节。

系统从35B总参数、3B激活参数的基线出发，探索不同专家配置，最终找到40B总参数、2.5B激活参数的方案。

在量化阶段，系统还探索了将输出层压缩至4-bit，并通过额外蒸馏恢复模型精度的方法。

底层推理方面，Eureka Machine则针对Apple Silicon和NVIDIA硬件生成专用计算内核，进一步提高运行效率。

这也与Recursive长期探索的递归自我改进（RSI）方向相呼应，让AI参与改进AI研发过程，再借助更强的模型提升下一轮自动科研能力。

当然，Flint并不意味着AI已经实现完全自主的递归自我改进，当前成果仍是人类研究员与AI系统协作完成的模型研发实践。

但从自动科研系统参与模型训练，到Flint能够在本地自主探索算法问题，Recursive已经开始展示AI研发AI的不同环节。