Recursive launches Flint, a laptop coding model it says was largely built by AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Recursive는 AI 연구 시스템 Eureka Machine의 도움으로 소규모 팀이 4개월 미만에 개발했다고 밝힌 무료 노트북용 코딩 모델 Flint를 공개하며, 인간 감독 아래 재귀적 자기 개선을 시험하고 있다.

📌 핵심 요약

• Recursive는 2026년 10월 21일 첫 모델 Flint를 공개했다. 회사에 따르면 Eureka Machine이 개발의 거의 모든 단계에 기여했으며, 소규모 팀이 처음부터 4개월 미만에 모델을 만들었다.
• Flint는 Hugging Face에서 Apache 2.0 라이선스로 무료 배포된다. 사용자 컴퓨터에서 실행돼 오프라인 사용, 코드 비공개 유지, 클라우드 사용량 요금 회피가 가능하며, 전체 400억 개 매개변수 중 작업마다 25억 개만 활성화하는 mixture-of-experts 모델이다.
• Recursive 자체 테스트에서 Flint는 M4 Pro 탑재 MacBook Pro에서 초당 약 131토큰을 생성해 비교 모델의 58~69토큰보다 빨랐고, Nvidia RTX Spark에서는 초당 150토큰을 넘었다. SWE-Bench Verified에서는 매개변수 500억 개 미만 모델들을 앞섰으며, 회사가 산출한 6개 테스트 평균에서는 Alibaba의 Qwen3.8 27B만 Flint보다 높았다.
• Recursive는 Flint가 대형 유료 코딩 도우미보다 더 많은 안내를 필요로 한다며 큰 작업을 작은 단계로 나누도록 권했다. Wired의 Will Knight는 메모리 48GB인 Mac에서 여러 소규모 프로그램을 만들었고, 자신이 요청한 코딩 작업을 Flint가 매번 성공적으로 수행했다고 평가했다.
• Eureka Machine은 아이디어 제안, 실험 실행, 결과에 따른 후속 실험 선택을 수행한다. Recursive는 저비트 학습으로 품질 손실을 거의 내지 않고 Flint 크기를 71% 줄였다고 주장했으나 연구 시간 절감량은 공개하지 않았으며, 장기적으로 인간이 감독하고 중단할 수 있는 완전한 재귀적 자기 개선을 목표로 한다.

🧩 주요 포인트

1. 로컬 실행과 Apache 2.0 배포 → Flint는 코드 비공개 유지와 클라우드 사용량 비용 부담 완화를 원하는 개발자에게 선택지를 제공하지만, 복잡한 작업에는 추가 안내가 필요하다.
2. 빠른 생성 속도와 경쟁력 있는 평가 결과 → 소형 코딩 모델의 활용 가능성을 보여주지만, 성능 수치는 Recursive 자체 테스트이고 Will Knight의 평가는 소규모 프로그램 사용 경험이라는 범위를 갖는다.
3. Eureka Machine의 개발 전반 참여와 71% 크기 축소 주장 → AI가 모델 연구를 지원한 구체적 사례이지만, 시간 절감량이 공개되지 않았고 현재의 인간 감독형 연구 지원과 완전한 재귀적 자기 개선 목표 사이에는 차이가 있다.

🧠 상세 정리

1. 첫 모델 공개와 재귀적 자기 개선의 초기 시험

지난해 설립된 AI 스타트업 Recursive는 2026년 10월 21일 첫 모델 Flint를 공개했으며, AI의 도움을 상당 부분 받아 개발한 무료 노트북용 코딩 모델이라고 소개했다. 회사에 따르면 자동화 연구 시스템 Eureka Machine이 개발의 거의 모든 단계에 참여해 소규모 팀이 처음부터 4개월 미만에 모델을 완성할 수 있었다. 기사는 이를 AI가 더 나은 AI를 만들고 그 AI가 다시 발전된 AI를 만드는 재귀적 자기 개선의 초기 공개 시험으로 설명한다. 일부 연구자는 이런 과정이 인간의 통제를 벗어날 가능성을 우려하지만, 현재 Recursive의 구현은 인간이 감독하는 AI 연구 도우미가 노트북에서 실행할 수 있는 모델을 만든 수준이다. Salesforce의 전 수석과학자 Richard Socher가 CEO를 맡은 Recursive는 5월 GV, Nvidia, AMD Ventures 등의 투자자로부터 6억 5,000만 달러를 유치하고 기업가치 46억 5,000만 달러로 스텔스 상태에서 모습을 드러냈다.

2. 로컬 실행과 선택적 매개변수 활성화

Flint는 회사의 클라우드 서버 대신 사용자 컴퓨터에서 실행되므로 개발자는 인터넷 연결 없이 사용하고 코드를 비공개로 유지하며, 모델이 처리한 텍스트 양에 따라 부과되는 클라우드 사용량 요금을 피할 수 있다. 모델은 Hugging Face에서 무료로 내려받을 수 있고, 자유로운 사용과 수정을 허용하는 오픈소스 라이선스 Apache 2.0으로 배포된다. 구조적으로는 mixture-of-experts 방식을 채택해 전체 400억 개 매개변수 가운데 개별 작업에 25억 개만 사용한다. 기사는 이런 특성이 일반적인 노트북에서도 실행할 수 있을 만큼 모델을 가볍게 만든다고 설명한다. 비교 대상으로 제시된 Meta의 Muse Spark Open은 지난주 공개된 Mac용 오픈 모델로, 매개변수 8,160억 개를 사용하며 최소 1TB의 메모리가 필요하다.

3. 생성 속도와 소프트웨어 수정 평가

Recursive 자체 테스트에서 Flint는 Apple M4 Pro 칩을 탑재한 MacBook Pro에서 초당 약 131토큰을 생성했다. 같은 기기에서 Google의 Gemma 4와 Nvidia의 Nemotron 3.5 Lightning 등을 포함한 유사 모델들이 기록한 초당 58~69토큰과 비교하면 약 두 배의 속도이며, Nvidia RTX Spark에서는 초당 150토큰을 넘었다. 실제 소프트웨어 버그 수정 능력을 측정하는 SWE-Bench Verified에서는 매개변수가 500억 개 미만인 다른 모델들을 앞섰다고 기사는 전한다. Recursive가 자체 산출한 6개 테스트 평균에서는 Alibaba의 Qwen3.8 27B만 Flint보다 높은 점수를 받았다. 이 결과는 Flint의 속도와 코딩 성능에 대한 근거로 제시됐지만, 기사에 소개된 수치는 회사의 시험과 집계에서 나온 것이므로 그 평가 범위와 함께 읽을 필요가 있다.

4. 추가 안내가 필요한 모델과 긍정적인 초기 사용기

Recursive는 Flint가 대형 유료 코딩 도우미보다 더 많은 안내를 필요로 한다는 한계를 인정하고, 큰 작업을 작은 단계로 나눠 진행할 것을 제안했다. 이런 제약에도 초기 사용 평가는 긍정적이었으며, Wired의 Will Knight는 메모리 48GB를 갖춘 Mac에서 Flint를 사용해 여러 소규모 프로그램을 만들었다. 그가 구현한 사례에는 할 일 목록 앱과 웹에서 연구 자료를 찾아내는 도구가 포함됐다. Knight는 소형 코딩 모델들이 Claude나 Codex에 비해 오류를 내거나 느린 경우가 많았지만, Flint는 자신이 요청한 코딩 작업을 매번 성공적으로 수행했다고 평가했다. 다만 이 사용기는 여러 소규모 프로그램을 만든 경험에 관한 것이며, 복잡한 작업에 추가 안내가 필요하다는 회사의 설명과 함께 모델의 활용 범위를 판단하는 근거가 된다.

5. Eureka Machine의 연구 과정과 기술적 기여

Eureka Machine은 연구 아이디어를 내고 실험을 실행한 뒤, 그 결과를 바탕으로 다음에 시도할 내용을 결정하는 시스템이다. Recursive의 공개 영상에 따르면 이 시스템은 사전학습부터 사후학습과 추론에 이르기까지 Flint 개발의 거의 모든 부분에 기여했다. Socher는 기술적 설명을 보완하며 더 희소한 모델 구조, 저비트 학습, 기반 연산을 빠르게 수행하도록 특화한 프로그램인 맞춤형 커널을 주요 기여로 제시했다. 특히 저비트 학습은 품질 손실을 거의 내지 않으면서 Flint의 크기를 71% 줄였다는 것이 회사 측 주장이다. 다만 Recursive는 Eureka Machine이 연구진의 시간을 얼마나 절약했는지는 밝히지 않았고, 기사는 비교 사례로 OpenAI가 지난달 발표한 내용을 소개했는데, 그에 따르면 8월 중순까지 AI 에이전트들은 인간 연구자 근무 1일당 3.1일의 작업을 기록했다.

6. 에이전트 확대와 완전한 자기 개선이라는 장기 목표

Recursive의 구상이 성과를 낸다면 새로 나오는 모델은 인간의 도움 없이 더 긴 작업 구간을 수행할 수 있어야 한다. 회사는 앞서 TechCrunch에 6월 체결한 Amazon Web Services와의 4억 1,000만 달러 규모 컴퓨팅 계약이 인력 수보다 에이전트 수에 더 관련된 것이라고 설명했다. Socher가 Wired에 밝힌 장기 목표는 인간이 과정을 감독하고 문제가 생기면 중단할 수 있는 상태에서 Eureka Machine이 완전한 재귀적 자기 개선을 달성하는 것이다. 회사는 새 모델이 나올 때마다 Eureka Machine의 연구 능력이 향상되고, 그 결과 다음 모델을 더 빠르게 만들 수 있을 것으로 기대한다. 따라서 Flint는 이 순환을 향한 초기 결과물이지만, 기사에 제시된 현재의 인간 감독형 연구 지원과 장기적으로 추구하는 완전한 자기 개선은 구분해서 이해해야 한다.

🧾 핵심 주장 / 시사점

• Flint의 로컬 실행과 Apache 2.0 배포는 속도 외에도 코드 비공개 유지와 사용량 요금 회피를 개발자의 선택 기준으로 부각한다.
• Flint의 경쟁력은 전체 매개변수 규모뿐 아니라 작업별 활성화 규모, 저비트 학습, 맞춤형 커널이 실행 효율에 미친 영향과 연결돼 있다.
• Eureka Machine의 개발 참여는 구체적인 결과물로 제시됐지만, 연구 시간 절감량과 후속 모델 개발 속도가 공개돼야 자기 개선 순환의 효과를 더 분명하게 판단할 수 있다.

✅ 액션 아이템

• Flint의 오프라인 사용, 코드 비공개 유지, Apache 2.0 배포 조건을 바탕으로 로컬 코딩 용도에 대한 적합성 검토.
• Flint의 큰 작업을 작은 단계로 나누고, 추가 안내 필요성을 반영해 소규모 프로그램에서 활용 가능성 확인.
• Recursive 자체 테스트와 Will Knight의 사용 경험을 구분해 성능을 판단하고, Eureka Machine의 연구 시간 절감량 공개 여부 확인.

❓ 열린 질문

• Flint는 작은 단계로 나눈 작업에서도 대형 유료 코딩 도우미보다 얼마나 많은 추가 안내를 필요로 하는가?
• Recursive 자체 테스트에서 확인된 Flint의 속도와 성능은 다른 사용 환경과 복잡한 코딩 작업에서도 유지되는가?
• Eureka Machine이 실제로 절약한 연구 시간은 얼마이며, 인간 감독 아래 완전한 재귀적 자기 개선 목표에 얼마나 가까워졌는가?