Recursive ปล่อย Flint โมเดลเขียนโค้ด 40B-A2.5B ใต้ Apache-2.0 รันบน Mac 48GB ได้ — ชนะ MoE ขนาดเดียวกันขาด แต่ยังแพ้ Qwen3.8 แบบ dense ใน 4 จาก 6 benchmark

Recursive Superintelligence สตาร์ทอัปของ Richard Socher ที่ออกจาก stealth พร้อมเงินทุน $650 ล้านเมื่อเดือน พ.ค. ปล่อยโมเดลตัวแรกเมื่อ 21 ต.ค. 2026 ชื่อ Flint เป็นโมเดล mixture-of-experts สำหรับ coding agent ขนาด 39.8B พารามิเตอร์ ใช้งานจริงต่อโทเคนประมาณ 2.5B น้ำหนักโมเดลทั้ง 4 repo บน Hugging Face (org RecursiveSI) ใช้ Apache-2.0 และมีไฟล์ LICENSE จริงแนบมา ไม่ได้ระบุไว้แค่ใน metadata ของการ์ด

สิ่งที่ทำให้ Flint น่าสนใจกว่าโมเดล open-weight ทั่วไปคือ Recursive ปล่อยของครบชุดสำหรับใช้งานบนเครื่องตัวเองตั้งแต่วันแรก มีไฟล์ quantize 4-bit ขนาด 22-26GB สำหรับ Mac ที่มี unified memory 48GB และ GPU NVIDIA ที่มีหน่วยความจำ 48GB มี engine ของตัวเองชื่อ rec และ llama.cpp merge โค้ดรองรับ Flint ภายในวันเดียวกัน ส่วนตัวเลข benchmark บริษัทวัดเองทั้งหมด ซึ่งกราฟของบริษัทเองก็แสดงว่า Flint ยังเป็นรองโมเดล dense ขนาด 27-31B ในงานเขียนโค้ดหลายรายการ

สเปก: MoE ที่ active แค่ 2.5B แต่ context 262K

จากการ์ดโมเดลและ config.json:

รายการ	ค่า
พารามิเตอร์รวม / active	39.8B / ~2.5B (นับ output head ด้วย ถ้าไม่นับเหลือ ~2.2B)
เลเยอร์	49 ชั้น: dense 2 ชั้น + MoE 47 ชั้น
Expert	256 routed เลือก 6 ตัวต่อโทเคน + shared expert 1 ตัว
Attention	sliding window 512 โทเคน 35 ชั้น + full attention 14 ชั้น (ชั้น full ไม่ใช้ positional encoding)
Context ที่ระบุในการ์ด	262,144 โทเคน (รวม input และ output)
Knowledge cutoff	มิ.ย. 2026
Input / Output	ข้อความเท่านั้น

ตรงนี้มีจุดที่ไม่ตรงกันอยู่หนึ่งจุด บล็อกเปิดตัวบอกว่า Flint รองรับ context “สูงสุด 512k” แต่แนะนำให้ใช้ไม่เกิน 256k ขณะที่การ์ดโมเดล, config.json (max_position_embeddings: 262144) และคำสั่ง llama-server ทุกตัวอย่างใช้ 262,144 โทเคน นักพัฒนาควรถือ 262K เป็นเพดานจริง จนกว่าบริษัทจะปล่อยคอนฟิกสำหรับ 512K

Recursive บอกว่าทีม “คนและ agent” ขนาดเล็กสร้าง Flint ตั้งแต่ศูนย์ภายในเวลาไม่ถึง 4 เดือน ทั้ง pretraining, mid-training, SFT และ RL แต่ไม่เปิดเผยปริมาณ compute หรือข้อมูลที่ใช้

รันที่ไหนได้บ้าง

ไฟล์	ขนาด	ฮาร์ดแวร์ที่ระบุ
flint (BF16)	~80GB	B300 หรือ H200 1 ใบผ่าน SGLang kit ที่แนบมา (ยังไม่มีโค้ดโมเดลสำหรับ Transformers)
flint-nvfp4-gguf	22.9GB	GPU NVIDIA แนะนำหน่วยความจำ ≥48GB ทดสอบแล้วบน B300, RTX PRO 6000 Blackwell, RTX Spark, DGX Spark
flint-int4-gguf (Q4_1)	26.0GB	Mac Apple Silicon unified memory ≥48GB ผ่าน llama.cpp Metal
flint-int4 (MLX)	22.6GB	Mac ผ่าน rec

llama.cpp: PR #30928 “models: Add Flint model” merge เมื่อ 21 ต.ค. เวลา 21:26 UTC และอยู่ใน build b11803 เป็นตัวแรก ถ้าใช้ build เก่ากว่านั้นจะโหลดไฟล์ไม่ได้

rec: engine ที่ Recursive เขียนเอง (โค้ดบน GitHub ใต้ Apache-2.0) รองรับเฉพาะ M4 Pro, M5 Pro และ M5 Max ที่มีแรม 48GB ขึ้นไป ติดตั้งด้วย curl | bash แล้วสั่ง rec launch pi หรือ rec launch opencode ได้เลย บริษัทอ้างว่าเร็วกว่า llama.cpp 1.4-2.6 เท่า บน M4 Pro แต่ออกแบบมาให้ใช้ทีละ session เท่านั้น ถ้าจะรันหลาย agent พร้อมกันต้องใช้ SGLang

ตัวเลขความเร็วในบล็อกคือ มากกว่า 125 โทเคน/วินาที บน MacBook Pro M4 Pro และ มากกว่า 150 โทเคน/วินาที บน RTX Spark 64GB “ที่ context สั้น” หมายเหตุใต้กราฟบอกว่าเป็นค่าเฉลี่ยตลอด session 128K โทเคน ไม่นับเวลา prefill ซึ่งสำหรับ coding agent ที่ต้องอ่าน repo ยาว ๆ prefill มักเป็นส่วนที่ทำให้รอนานที่สุด

Benchmark: ชนะกลุ่มเดียวกันขาด แต่ไม่ได้ชนะทุกตัว

ตัวเลขจากกราฟบนการ์ดโมเดล (Recursive วัด Flint เอง ใช้ pass@1 เฉลี่ยอย่างน้อย 5 ครั้ง):

Benchmark	Flint BF16	Flint NVFP4	Qwen3.6 (MoE ~35B-A3B)	Qwen3.8 (dense)	Muse Glimmer (dense)
Terminal-Bench 2.1	54.9	53.7	44.9	73.0	51.7
SWE-bench Pro v2	89.7	88.5	73.8	94.9	86.0
SWE-bench Verified	74.2	74.1	73.4	75.6	76.0
LiveCodeBench v6	80.3	80.8	80.4	90.3	63.5
IFBench	89.2	88.1	67.9	79.5	77.0
IFEval	95.1	94.6	89.6	94.6	94.7

ข้อเท็จจริงที่อ่านได้จากตารางนี้:

• ในกลุ่ม MoE ขนาดใกล้กัน Flint นำห่างจริง Terminal-Bench 2.1 สูงกว่า Qwen3.6 ถึง 10 จุด และ IFBench สูงกว่า 21 จุด ซึ่งตรงกับที่บริษัทอ้างว่าเป็น “MoE ที่ดีที่สุดที่ต่ำกว่า 50B” ในงาน agentic coding
• แต่ Qwen3.8 แบบ dense ชนะ Flint ใน 4 จาก 6 รายการ โดยเฉพาะ Terminal-Bench (73.0 กับ 54.9) และ LiveCodeBench (90.3 กับ 80.3) Flint ชนะเฉพาะฝั่ง instruction following (IFBench, IFEval)
• NVFP4 แทบไม่เสียคุณภาพ ห่างจาก BF16 ไม่เกิน 1.2 จุดในทุกรายการ บล็อกบอกว่าเฉลี่ยแล้วต่างไม่ถึง 0.7 จุด ทั้งที่ quantize lm_head เป็น 4-bit ด้วย ซึ่งปกติคนมักไม่ทำ
• วิธีวัดไม่เท่ากัน การ์ดระบุเองว่าคะแนน Terminal-Bench ของ Flint นับข้อที่แก้ได้ด้วยการค้นเว็บเป็น “ไม่ผ่าน” ส่วนตัวเลขของคู่แข่งที่ผู้พัฒนารายงานเองอาจไม่ได้หักแบบเดียวกัน ช่องว่างกับ Qwen3.8 บางส่วนจึงอาจมาจากวิธีวัด และ SWE-bench Pro v2 ทุกตัวในกราฟ Recursive วัดเอง

บล็อกยังเตือนตรง ๆ ว่า Flint “อาจต้องการคำแนะนำมากกว่าโมเดล closed-source ขนาดใหญ่ที่คุณคุ้นเคย” และควรแตกงานซับซ้อนเป็นงานย่อยพร้อมคำสั่งที่ชัดเจน

มุมมอง AI Curator

ข้อได้เปรียบของ Flint ไม่ได้อยู่ที่คะแนนสูงสุด แต่อยู่ที่คะแนนต่อหน่วยความจำและต่อความเร็ว โมเดล dense 27B ที่ทำ Terminal-Bench 73 ต้องประมวลผลทั้ง 27B พารามิเตอร์ทุกโทเคน ส่วน Flint ใช้แค่ 2.5B จึงเร็วกว่าหลายเท่าบนเครื่องเดียวกัน สำหรับ coding agent ที่วนอ่านไฟล์ รันเทส และแก้โค้ดเป็นร้อยรอบ ความเร็วระดับ 125 โทเคน/วินาทีบนโน้ตบุ๊กเปลี่ยนประสบการณ์ได้มากกว่าคะแนนที่เพิ่มขึ้นไม่กี่จุด คำถามที่ควรถามก่อนเลือกจึงไม่ใช่ “ตัวไหนเก่งกว่า” แต่เป็น “งานเรารอ prefill หรือรอ decode” และตัวเลขความเร็วที่บริษัทให้มาไม่นับ prefill พอดี ต้องลองกับ repo จริงของตัวเองก่อนตัดสิน

ข้อที่ควรระวังคือ “รันบนโน้ตบุ๊ก” ในที่นี้หมายถึง MacBook Pro M4 Pro/M5 Pro ที่มีแรม 48GB ขึ้นไป ซึ่งในไทยราคาเกินแสนบาท และ engine rec ไม่รองรับ M1-M3 หรือชิปรุ่นธรรมดาเลย ฝั่ง PC ก็แนะนำ GPU 48GB ระดับ workstation และรายชื่อที่ทดสอบแล้วไม่มีการ์ดเกมมิงรุ่นใดเลย ทีมพัฒนาไทยที่อยากให้โค้ดอยู่ในองค์กรอาจคุ้มกว่าถ้าตั้ง Flint ไว้บน GPU 48GB ใบเดียวแล้วให้ทั้งทีมเรียกผ่าน API ที่เข้ากันได้กับ OpenAI แทนการซื้อ Mac ให้ทุกคน

ในภาพใหญ่ Flint เป็นสัญญาณว่าบริษัทที่ระดมทุนมาด้วยเป้าหมาย “AI ที่พัฒนาตัวเอง” เลือกพิสูจน์ตัวเองด้วยโมเดลเล็ก open-weight ที่ใครก็ตรวจสอบได้ ไม่ใช่ demo ปิด และ license เป็น Apache-2.0 จริงแบบไม่มีเงื่อนไขซ่อน ต่างจากหลายค่ายที่ช่วงนี้ถอยไปใช้ license แบบกำหนดเองหรือห้ามใช้เชิงพาณิชย์ สิ่งที่ยังต้องรอคือคะแนนจากผู้ทดสอบอิสระ เช่น Artificial Analysis หรือ leaderboard ของ Terminal-Bench เอง เพราะตอนนี้ตัวเลขทุกตัวมาจากบริษัท

แหล่งข่าว

• Recursive — Introducing Recursive Flint (21 ต.ค. 2026)
• Hugging Face — RecursiveSI/flint (การ์ดโมเดล, config, Apache-2.0)
• GitHub — recursive-oss/rec (local inference engine)
• llama.cpp PR #30928 — Add Flint model (merge 21 ต.ค.)