Recursive publie Flint pour les agents de code exécutés localement
L’essentiel de l’annonce
Recursive, entreprise spécialisée dans la recherche automatisée en IA, présente Flint, un modèle pour les agents de programmation. Ses 39,8 milliards de paramètres ne sont pas tous sollicités à chaque étape. Les poids et une fiche sous licence Apache 2.0 sont publiés, avec des configurations d’exécution distinctes selon le matériel.
- Date de publication de la source
- Catégorie
- Modèles et assistants
- Périmètre et accès
- Annonce originale du 21 octobre 2026. Disponibilité précisée dans l’article.
- Sujet du contenu
- Relier architecture, mémoire et vitesse d’un modèle local
- Entreprises / organismes
- Recursive
- Technologies
- Exécution d’un modèle, Agent IA
Comment cela fonctionne
Flint utilise un mélange d’experts. Pour chaque token, une unité de texte traitée par le modèle, le routage n’active qu’une partie du réseau, soit environ 2,5 milliards de paramètres. Recursive associe cette architecture à une quantification qui réduit la place des nombres en mémoire. L’entreprise annonce plus de 125 tokens par seconde sur M4 Pro à contexte court. Ce débit concerne son moteur optimisé, pas le point de contrôle BF16 d’environ 80 Go documenté séparément. La fiche décrit un contexte de 262 144 tokens, partagé entre demande et réponse.
Choisir une partie du réseau
Seuls certains experts participent au calcul d’un token.
Adapter le moteur au matériel
Le format des poids et les opérations influencent la vitesse.
Examiner le changement proposé
Une réponse rapide reste à contrôler avant son application.
Choisissez une étape pour lire son explication.
Choisir une partie du réseau
Seuls certains experts participent au calcul d’un token.
Adapter le moteur au matériel
Le format des poids et les opérations influencent la vitesse.
Examiner le changement proposé
Une réponse rapide reste à contrôler avant son application.
Illustration simplifiée. Les dessins ne montrent pas de résultats mesurés.
Points techniques et opérationnels
- Identifier la variante de poids utilisée dans chaque mesure.
- Comparer le résultat de la tâche en plus du débit de génération.
Ce que cela pourrait changer
Exemples possibles. L’annonce ne démontre pas de gains pour ces usages.
Exemple pédagogique
Un exemple pour comprendre
Un développeur fictif compare un modèle local et une API sur la même correction. Le débit brut ne dit pas combien de tentatives sont nécessaires pour obtenir un changement correct. La mesure devrait inclure les outils et la vérification du code.
Deux questions pour évaluer l’intérêt
- Identifier la variante de poids utilisée dans chaque mesure.
- Comparer le résultat de la tâche en plus du débit de génération.
Qui peut l’utiliser, avec quelles limites ?
Disponible dans le périmètre annoncé
Les résultats sont ceux du développeur et dépendent du moteur, du matériel et de la précision. Le modèle peut produire du code incorrect ou des appels d’outils inappropriés. Exécution locale et licence ouverte ne constituent pas un audit de sécurité. Aucun téléchargement ni essai effectué ici.
Conditions d’accès : Poids publiés sous Apache 2.0. Matériel, moteur et variante à choisir. Conditions d’API distinctes.
La portée de l’annonce
Interprétation éditoriale à partir de l’annonce.
La taille active éclaire le calcul réalisé à chaque étape, mais ne décrit pas toute la mémoire nécessaire. Une comparaison utile garde la variante et l’environnement d’exécution.
Les mots utiles pour comprendre
Sources et vérifications
Source vérifiée le . Synthèse originale. Les résultats annoncés restent attribués à leur source. Les dessins expliquent le principe ; les exemples présentent un usage possible.
Sources primaires publiques relues le 22 octobre 2026. Lecture documentaire, sans essai du produit.
Publié sur ce site le . Mis à jour le . Rédaction : Boris Shutov, avec l’aide de ChatGPT. Notre méthode éditoriale.