4个月、从零、一个MacBook：田渊栋把”AI造AI”第一次做成了能交货的东西
AI飞行客 4个月、从零、一个MacBook：田渊栋把”AI造AI”第一次做成了能交货的东西
先说结论，省得你被标题党带跑。
Flint 这个模型本身的参数（40B MoE、激活 2.5B、SWE-bench Verified 74.2%）很漂亮，但它不是这条新闻里最有价值的东西。
真正值钱的是那句话：这个模型，是由一套自动化 AI 研究系统参与造出来的，从零开始，只花了 4 个月。
田渊栋离开 Meta 之后创的这家公司叫 Recursive，名字就是它的路线图。他们五月才公开亮相，一露面就拿了 6.5 亿美元早期融资、估值 46.5 亿。八位联创里除了田渊栋，还有 Richard Socher、清华姚班的施天麟、ViT 作者之一 Alexey Dosovitskiy。谷歌 GV、Greycroft 领投，英伟达、AMD 跟投。
押人，也押路线。而今天，他们交了第一份可以验证的答卷。
先说产品：一个能装进笔记本的 40B 程序员
Flint 的定位非常克制：本地 Agent 编程。
参数上是 40B 总参、每 token 只激活 2.5B。MoE 结构是每个 MoE 层 256 个路由专家、每 token 选 6 个，另外挂一个常驻共享专家。这个设计意图很明确——总参数撑得起能力，单步计算量压得住设备。
上下文最高 512k，数据全本地、可离线。
速度是重点。搭配他们自己开源的推理引擎 `rec`，MacBook Pro 上至少 125 tokens/s，RTX Spark 上超过 150 tokens/s。官方的对比数据是：同样用 Flint，`rec` 相比 `llama.cpp` 在对应上下文长度下吞吐提升约 1.4～2.6 倍；比同量级（25B～40B）稠密模型快 5 倍，短上下文也有近 2 倍优势。
对照组里包括老东家 Meta 的 Muse Glimmer。这个细节，田渊栋应该挺享受。
编码成绩：
– SWE-bench Verified：74.2% – SWE-bench Pro v2：89.7% – Terminal-Bench 2.1：54.9%
三项都是同量级最佳。用他们的话说，是”在本地编码上突破了帕累托前沿”——又快又能干。
部署门槛：M4 Pro / M5 Pro / M5 Max，至少 48GB 统一内存、约 30GB 空闲磁盘。一条 `rec launch pi` 自动下载模型、起服务、接编程工具。
说实话，这个产品定位选得非常聪明。
为什么？因为本地编程是一个”能立刻验证收益”的场景。代码任务有编译器、有测试、有 CI，对错分明。你在本地跑一个 Agent 改代码，它写得对不对，几秒钟就知道。这种高频、低延迟、强反馈的循环，恰恰是自动化研究系统最容易拿来迭代的土壤。
不是随便选的。往下看你就明白。
关键在这：Eureka Machine 和那三个 SOTA
Recursive 的自动化研究系统叫 Eureka Machine。
工作流大致是：针对目标提出想法 → 把想法实现 → 跑实验、看结果 → 决定下一步。多条研究线可以并行推进，之前有效的经验可以被保留和组合。
听起来像是”AutoML 加个 LLM”？不是。区别在于粒度。（接下来这段话是我自己的判断。）
AutoML 优化的是超参和架构搜索空间里的一个点。而 Eureka Machine 声称能处理的是从训练质量、训练速度到 GPU 内核效率的整条链。它在三个基准上的成绩单是这么对应的：
| 基准 | 对应能力 | 结果 | |—|—|—| | NanoChat Autoresearch | 训练质量 | SOTA | | NanoGPT Speedrun | 训练速度 | SOTA | | 英伟达 SOL-ExecBench | GPU 内核效率 | SOTA |
三个不同维度的 SOTA，然后 Flint 是把这些”单点改进”拼到一起的产物。
这个逻辑很值得琢磨。RSI 的真正难点从来不是”一步登天让 AI 设计出更强的 AI”，而是”能不能把大量琐碎的、可验证的工程改进自动化串起来”。
每项改进单独看可能只有 1%、2%。但如果有几百项这样的改进被自动发现、验证、累积，结果就是 4 个月一个模型。
这就是为什么我说，这条新闻的价值不在分数上。分数只是用来证明这个流程没跑偏。
但等一下——4 个月这个数字，得掰开看
我在这里必须踩一脚刹车，因为行业里对”4 个月”的解读已经跑偏得有点远了。
第一，4 个月不等于 4 个月的人力。
Recursive 融资 6.5 亿美金，八位联创全是顶级研究员。他们手里是什么算力？没公布。但一家估值 46.5 亿的公司去训一个 40B MoE，后端资源绝对不是普通团队能比的。
“4 个月”省略掉的是：这 4 个月之前的准备期（数据、基础设施、Eureka Machine 本身的搭建），以及支撑这个速度的算力储备。
第二，40B MoE / 激活 2.5B，是一个刻意选小的尺寸。
这不是”用 RSI 训出了 SOTA 大模型”，这是”用 RSI 训出了一个足够好、足够小、能装进笔记本的模型”。
选小的好处是：训练周期短、反馈快、失败成本低、自动化迭代的轮次能跑得更多。这恰恰是 RSI 系统最需要的东西——快反馈循环。
所以正确的读法不是”AI 用 4 个月造出了强模型”，而是”当任务被设计成快速可验证的时候，自动化研究能跑出惊人的迭代效率”。这两个说法差得远。
第三，最关键的：这个循环现在还依赖人。
Eureka Machine 决定”下一步做什么”的依据，是实验跑出来的指标。而指标是人定的。什么算成功、哪个方向值得多推几轮、哪些改进是可以接受的——这些判断还在人类手里。
所以现在这个阶段，更准确的描述是”AI 在人类划定的验证函数里高速搜索”，而不是”AI 自己在决定要往哪进化”。
这不是贬低。恰恰相反——这是 RSI 最有可能真正落地的形态。前面几代关于 RSI 的讨论，都是一步登天式的幻想，结果就是 233 号那篇里说的”持续的瞎忙”。而 Recursive 做的，是把 RSI 拆成可验证、可累积、可交付的工程任务。
它不性感，但它能交货。
我最在意的一点：他们选了编程这个方向
这个选择的政治含义，可能比技术含义更大。
编程是当下唯一一个：有大量公开基准、有客观对错、有成熟评测工具链、而且反馈延迟以秒计的领域。
换句话说，编程是自动化研究系统能跑得最舒服的地形。
反过来说也成立：Recursive 选择先做编程，恰恰说明 RSI 这套东西目前还离不开”快速可验证”这个前提。
那什么时候能推广到别的领域？
– 数学：可验证，但反馈周期长，证明过程难自动化评估 – 科学实验：答案是跑实验室，一轮几周几个月 – 商业决策：根本无法验证，没有 ground truth
所以短期内，你会看到大量”AI 自动改进 AI”、”AI 自动优化代码”、”AI 自动调内核”的成功案例——因为它们都有明确的验证函数。
而真正困难的领域，RSI 还早。
说回本地编程这件事，这才是普通开发者该关心的
上面都是产业层面的判断。落到你身上，这条新闻真正的实用价值是另一回事：
本地跑一个 74.2% SWE-bench 的编程 Agent，这件事一年前是不可能想象的。
一年前的选项是： – 用云端 API（贵、有延迟、代码上传到别人服务器） – 跑 7B 小模型（能力感人，基本没法干活）
现在：48GB 统一内存的 M4 Pro / M5 Pro Mac，一条命令，125 tokens/s，512k 上下文，代码不出本机。
对什么人有意义？
1. 代码不能出内网的团队。金融、医疗、政企。以前只能望云兴叹。 2. 高频小改动的日常开发。改个函数、写个测试、解释段逻辑——云端往返的网络延迟比你思考的时间还长。 3. 离线场景。飞机上、野外、断网环境。 4. 成本敏感的项目。本地跑一次的电费对比 API 账单，跑得够多的话账很好算。
但同时得说清楚限制：
– 74.2% 的 SWE-bench 意味着大约四分之一的任务它搞不定。别指望它替你做架构决策。 – 2.5B 激活参数的知识面，和前沿闭源模型差着量级。复杂重构会掉链子。 – 48GB 内存门槛把大部分人的机器挡在门外。这不是”人人可用”，这是”高端开发本可用”。
诚实的定位是：一个不用付 API 费、不担心代码外泄、延迟极低的编程副驾驶。不是替代品，是补充。
我的判断
这篇东西要是不带立场，那就白写了。
第一，田渊栋这条路线，我认为方向对了。
RSI 最大的问题是它太容易被讲成神话。而 Recursive 的做法是把神话拆成工程：不追求”AI 自己发明更强的架构”，而是让 AI 在人类设定的验证函数内高速搜索可以被验证的改进，然后把这些改进组装起来。
这条路不炫，但它可测量、可复现、可交付。
第二，”4 个月”会变成行业的标准叙事，然后被滥用。
我几乎可以预见，接下来会有无数团队拿”我们 X 个月从零训出模型”来包装自己，隐去算力预算、人力规模、前期积累。
看到这类说法，先问三个数：算力花了多少、训练跑了多少轮、之前的准备工作做了多久。三个都不说，那这 4 个月就是个营销数字。
第三，本地模型的拐点可能真的到了。
40B MoE / 2.5B 激活 / 125 tokens/s / 512k 上下文 / SWE-bench 74.2%。这组数字如果站得住，本地 Agent 编程就从”玩具”进入了”可用”。
这是我今年看到的、关于端侧 AI 最实在的一个进展。不是那种”明年就要颠覆一切”的 PPT，是今天你就能下载下来跑的东西。
第四，也是最该警惕的：RSI 这个话题会继续被过度消费。
记住一件事：自动化研究系统的上限，等于人类给它设定的验证函数的质量。 你能自动优化的，只有你能评估的。编程能跑得快，是因为编译器不会撒谎。别的领域没有编译器。
—
Flint 是开源的，`rec` 也是。模型权重、推理引擎都能拿。
我今晚打算先跑一下看看到底是不是宣传的那样。等我的实测——如果它真能在 48GB 的 Mac 上稳在 125 tokens/s 并且写出能过的测试，那我承认，这 4 个月的账，算得过来。
*模型：Flint（40B MoE，激活 2.5B）* *公司：Recursive（创始人含田渊栋、Richard Socher、施天麟、Alexey Dosovitskiy）* *推理引擎：rec（开源，优化苹果芯片）* *基准：SWE-bench Verified 74.2% / SWE-bench Pro v2 89.7% / Terminal-Bench 2.1 54.9%* *参考资料：https://recursive.com/updates/introducing-recursive-flint* *文档：https://docs.recursive.com/edge/rec*