你让 AI 修一个软件故障，它不能只补出几行看似正确的代码。它得先翻完整个代码库，找到问题，调用终端修改文件，再运行测试确认没有引入新故障。Flint 瞄准的正是这种“把活干完”的编码 Agent——能使用工具、连续完成排错、修改和验证的 AI 系统。它值得关注，不只因为模型把单次计算量压得很低，还因为 Recursive 宣称，训练它的研究流程本身也由自动研究系统参与完成。
目前公开材料主要来自 Recursive 的模型信息、OpenRouter 页面及社区转述。模型规模有两份材料相互印证，但训练过程、技术配置和基准表现仍缺少完整技术报告与独立复现。
40B 的仓库，每次只开几扇门
Flint 是一款开放权重的 MoE（mixture-of-experts，混合专家）模型。可以把它想成一个拥有许多专科成员的团队：整个团队共有约 40B 参数，但处理每个 Token——模型读取和生成文字时使用的基本单位——只会调用其中约 2.5B 参数。
所以，“40B 总参数”不等于每次推理都要把 40B 全部投入计算。对 MoE 来说，总参数代表模型储备了多少“专家”，激活参数则更接近一次工作真正动用的计算规模。Flint 的卖点，正是用较大的总容量换取较小的单次计算负担。
社区材料还称，Flint 支持 262k 上下文，并采用 3:1 的 sliding-window attention 与 full attention 配比。这两者都属于模型处理上下文信息的技术配置。不过现有供稿没有给出更完整的结构说明、训练设置或对照实验，因此暂时无法判断这些设计各自贡献了多少效果。
真正的新意，是谁在训练它
OpenRouter 的模型页面称，Flint 由 Recursive 的自动研究系统 Eureka Machine 构建。所谓自动研究系统，不只是让 AI 写几段训练代码，而是让 Agent 参与提出实验、执行实验并筛选结果。
据 Recursive 介绍，一个由人类和 Agent 组成的小团队，用不到四个月从零做出了 Flint；Eureka Machine 还参与提出和验证训练配方、模型结构以及针对芯片的底层加速方案。这是公司的自述，目前材料没有披露人类与 Agent 各自完成了哪些步骤，也没有说明自动系统失败过多少次、最终方案经过多少人工取舍。
这一区别很重要。过去讨论编码 Agent，常问的是“AI 能不能替人修代码”；Flint 把问题又向前推了一层：AI 能不能参与制造下一代更会修代码的 AI。它还不能证明模型已经可以脱离监督、自行反复改进，但至少展示了一条更完整的自动研发链条。
跑分很好看，但先别急着封王
社区帖子转述 Hugging Face 表格称，Flint 在 TerminalBench 2.1 和 SWE-bench Pro v2 上明显超过 Qwen3.6-35B-A3B，在展示的其他基准上也持平或更好。
这两项测试比普通代码补全更接近真实工作。SWE-bench 把真实开源仓库中的问题交给模型，看它能否提交通过测试的修复；TerminalBench 则要求 Agent 在终端环境中执行命令、使用工具并完成多步骤任务。若结果可靠，它意味着 Flint 的低激活参数没有妨碍端到端编码能力。
但这项结论目前只能谨慎看待。供稿没有提供具体分数、测试配置或第三方复现。同一篇社区材料后来还补充说，初步报告显示 Ornith-1.5 仍是这一规模档的标杆，与早先“显著击败”的乐观判断存在张力。
据 WIRED 报道，其记者曾在一台配备 48GB 内存的 Mac 上，让 Flint 制作命令行待办清单、联网研究工具和解释型网页，三个小任务都完成了。这说明模型至少能跑通若干完整任务，但测试范围很窄，不能代替系统性评测。
为什么值得继续盯着
OpenRouter 称，Flint 可用于调查代码库、修复缺陷、实现功能和编写测试，并提供免费的 recursive/flint-v1.0:free 路由，不过暂不支持欧盟区内路由。
更大的看点仍是它把两条路线接到了一起：一边用稀疏 MoE 降低每次推理的计算量，另一边把模型研发流程交给自动研究系统探索。前者试图降低使用门槛，后者试图改变模型是怎样被做出来的。即使 Flint 最终没有坐上同档模型的第一名，这个组合也值得观察。
局限与未知
- 基准成绩缺少具体分数、测试配置和独立复现，目前不能据此确认 Flint 稳定领先更大模型。
- Eureka Machine 在训练中的实际自主程度、人工介入比例和实验成本尚未披露。
- 262k 上下文及 3:1 注意力配置目前只有单一材料支持，仍需官方模型卡或技术报告进一步核验。