Recursive 发布 Flint 40B 本地编码模型，MacBook 跑 125 token/秒
一、Flint 是个什么量级的模型
Recursive 近期开源的 Flint 是个 400 亿参数的 MoE，每次激活约 25 亿，权重走 Apache 2.0 直接挂上 Hugging Face。最抓人的是定位：一个能在本地跑的编码模型。官方给出的跑分是 SWE-bench Verified 74.2%，Terminal-Bench 2.1 上 54.9%，后者落后于稠密模型 Qwen 3.8 的 73.0%。换句话说，写代码还行，跑终端长程任务还有差距。
二、本地能跑意味着什么
据 AIBriefs 汇总，Flint 在 MacBook Pro 上能跑到 125+ token/秒，4-bit 量化下大约占 23GB 显存或内存。这个量级意味着你不用排队等云 API、不用把代码传出去，本地就能有个编码副驾。对在意代码隐私、或者网络不稳定的团队，本地模型的吸引力一直都在。
三、成绩：有亮点也有短板
74.2% 的 SWE-bench Verified 在本地模型里算能打，但 Terminal-Bench 2.1 只有 54.9%，说明它在需要多步操作系统、长程执行的任务上还不够稳。这也正常——本地模型的天花板受显存和量化精度限制，别指望它一步到位替代云端旗舰。选型时把它当「日常小修小补的本地帮手」更现实。
四、「主要靠 AI 造出来」意味着什么
Recursive 给 Flint 打的标签是「主要由 AI 构建」。这不是噱头——用智能体做数据合成、代码生成和评测，正在成为小团队造模型的现实路径。它提示我们：未来模型的护城河可能不再是「谁养了多少人」，而是「谁有更高效的 AI 辅助生产线」。当然，这也会让评测是否被 AI 刷过变得更难判断。
五、适合谁用
如果你有一台内存够大的 Mac 或工作站，又想要一个不上云的代码助手，Flint 值得一试。但要是你的场景是复杂 agentic 编码、需要稳稳跑通长流程，现阶段还是云端大模型更靠谱。把它当开源生态里的一个新选项就好，别神话。
