4个月RSI从0训练！田渊栋创业首个模型来了：MacBook Pro可跑，已开源

　　鹭羽发自凹非寺

　　量子位 | 公众号 QbitAI

　　40B 的 MoE“程序员”，MacBook Pro 就能带走了！

　　田渊栋离职 Meta 后，强势回归——

　　携其创业的 Recursive，刚刚开源首个模型Flint：

　　主打本地 Agent 编程，总参数 400 亿，单个 token 生成只激活 25 亿。

　　而且！速度还比同类产品快2 倍。

　　搭配优化后的推理引擎，Flint 在 MacBook Pro 上能跑至少 125 tokens/s，RTX Spark 上则超过 150 tokens/s。

　　这也是自 Recursive 成立以来，借助自动化 AI 研究系统，交出的首份模型答卷。

　　更牛的是，模型从零开始训练，只花费了区区 4 个月时间。

　　不得不说，田渊栋他们是真会玩。

　　这套「AI 手搓 AI」的 RSI 打法，又被往前推了一大步。

　　只不过今天这一步，率先落在了开发者的笔记本上。

　　MacBook Pro 能跑

　　Flint 先要解决的，是本地模型一个相当实际的问题：

　　能装下还不够，还得跑得够快、干得了活。

　　它采用MoE混合专家架构，具体到每个 MoE 层有 256 个路由专家，每个 token 选中 6 个，此外还有一个始终工作的共享专家。

　　这样总参数够用，每步计算涉及的激活参数也能稳稳控制在 25 亿上。

　　以及模型最高支持 512k token 的上下文窗口，数据可保存在本地上离线使用。

　　与此同时，Recursive 还开源了推理引擎rec，专门优化 Flint 在苹果芯片上的运行。

　　官方测试中，同一个 Flint 模型使用 rec，相比 llama.cpp，在对应上下文长度的 token 吞吐中能提升约 1.4～2.6 倍。

　　它的最终速度要比同等级（参数量为 250 亿～400 亿）的稠密模型快 5 倍，即使是短上下文，也有将近 2 倍的优势。

　　其中就包括老东家 Meta 的Muse Glimmer。

　　编码成绩也很亮眼：

　　Flint 在 SWE-bench Verified 上得分 74.2%，SWE-bench Pro v2 为 89.7%，Terminal-Bench 2.1 为 54.9%，都是同等级最佳。

　　毫不夸张的说，Flint 在本地编码方面是突破了帕累托前沿，推理速度快还代码能力强。

　　至于怎么跑起来的，Recursive 也把配置过程尽量收短。

　　只需在支持的 Mac 安装 rec 后，一条「rec launch pi」指令就能自动下载模型、启动服务并连接编程工具，另外 OpenCode 也有对应入口。

　　目前 rec 支持 M4 Pro、M5 Pro 和 M5 Max，要求至少 48GB 统一内存，以及约 30GB 空闲磁盘空间。

　　换言之，对于想把部分日常编程搬到本地的开发者，Flint 的确是一个不错的选项。

　　让 AI 自己训练自己

　　回到Recursive身上，这家公司五月份才初公开亮相。

　　一露面，就拿到了 6.5 亿美元（折合人民币 44 亿元）的早期融资，估值高达 46.5 亿美元（约 316 亿元）。

　　谷歌 GV、Greycroft 联合领投，英伟达、AMD 等巨头也参与其中。

　　一则押的是人。

　　八位联创个个来头不小，除了田渊栋，还有吴恩达弟子 Richard Socher、清华姚班施天麟、Vision Transformer 的作者之一 Alexey Dosovitskiy 等。

　　二来押的是路线。

　　Recursive 从创立之初，就明确研究路线为RSI，即递归式自我改进。

　　背后的逻辑也很直接：AI 本身由代码构成，而 AI 现在已经能写代码，那么它能否再进一步参与改进 AI？

　　Eureka Machine就是 Recursive 对这个问题的初步尝试。

　　该系统会先针对目标提出想法，再把想法实现，通过运行实验、检查结果，决定下一步。多条研究路线可以同时推进，之前有效的经验也能被保留组合。

　　此前 Recursive 公开的第一批实验成果，就来源于此。

　　落在 NanoChat Autoresearch、NanoGPT Speedrun 和英伟达 SOL-ExecBench 上，分别拿下了整体和各单项测试的SOTA。

　　这三个基准测试也依次对应训练质量、训练速度和 GPU 内核效率。

　　到了 Flint，问题变得更大。

　　团队把这些不同环节的改进，组合在一起，构成了一个最终能交付的模型。

　　这也解释了为什么 Recursive 要把首款模型选在本地编程这个方向，因为本地代码任务容易收获反馈，自动化研究找到的收益，也更容易被逐项检查。

　　显然，进展不错。

　　所以对于田渊栋和 Recursive 来说，下一步就很明确了——这套自动化 AI 研究系统，能否让下一款模型用更少的研发成本，交出更好的实际能力。

　　咱们且拭目以待。

　　参考链接：

　　[1]https://x.com/RichardSocher/status/2112944385415426249

　　[2]https://recursive.com/updates/introducing-recursive-flint

　　[3]https://x.com/NVIDIARTXSpark/status/2112963691469787433

　　[4]https://x.com/tydsh/status/2112952791480357331

　　[5]https://docs.recursive.com/edge/rec