Recursive Superintelligence, fundada en 2025, salida del anonimato en mayo de 2026 y con más de 650 millones de dólares levantados, publicó el 21 de octubre Flint, un modelo de programación con pesos abiertos bajo licencia Apache 2.0. Lo interesante no es el modelo, que es bueno y verificable, sino el reclamo que lo acompaña: que su propio sistema de IA se encargó de casi todo el trabajo de construirlo.
Eso último no lo ha comprobado nadie. Y las dos palabras del titular que han circulado —«portátil» e «IA»— merecen las dos una revisión.
¿Qué es Flint exactamente?
Un modelo mixture-of-experts de 39.800 millones de parámetros totales con unos 2.500 millones activos por token. Cuarenta y nueve capas, 256 expertos enrutados por capa de las que se seleccionan seis más uno compartido siempre activo, y una mezcla de 35 capas de atención de ventana deslizante con 14 de atención completa. Corte de conocimiento declarado: junio de 2026.
La ficha del modelo documenta 262.144 tokens de contexto; el blog de la empresa dice que soporta hasta 512.000 y recomienda no pasar de 256.000. Los dos repositorios GGUF se lanzan con 262.144, la misma cifra que documenta la ficha principal, así que esa es la que se sostiene.
Lo verificable y útil, en una frase: hay un modelo de pesos abiertos que corre en local, es rápido y se descarga gratis, con compatibilidad declarada para llama.cpp, Ollama, LM Studio, vLLM y SGLang.
¿Y eso de que corre en un portátil?
En un portátil de gama alta, y con letra pequeña. La variante GGUF para Apple Silicon ocupa 26 gigas y su documentación es explícita: «Requires an Apple Silicon Mac with at least 48 GB of unified memory». La variante para NVIDIA pesa 22,9 gigas y recomienda «at least 48 GB of GPU memory, or unified memory on Spark» —y la memoria unificada importa, porque es justo lo que usa el equipo donde miden sus mejores cifras.
El checkpoint principal, en cambio, el BF16 del repositorio central, son unos 80 gigas de descarga y su propia documentación pide «una GPU B300 o H200 por réplica». Ni siquiera incluye todavía el código de modelado para Transformers.
La velocidad sí es su mejor baza. La empresa declara «más de 125 tokens por segundo» en un MacBook Pro con M4 Pro y «más de 150» en una RTX Spark de 64 gigas, esto último «at short contexts». Los 58 a 69 tokens por segundo de Gemma 4 y Nemotron 3.5 Lightning en la misma máquina, que es la comparación que cita TechCrunch, salen también de las pruebas de Recursive, no de una medición independiente. Y el pie del gráfico añade el matiz que importa: la medición es la media a lo largo de una sesión de 128.000 tokens y excluye el prefill.
¿Es el mejor modelo de su clase?
Depende de cómo se defina la clase, y la empresa la define con cuidado. Su reclamo literal es que Flint «leads MoE models with fewer than 50 billion total parameters on agentic coding benchmarks». Eso es verosímil y cuadra con su gráfico.
Lo que el gráfico también muestra, y el titular no: Flint pierde frente a un modelo denso de la franja de 27.000 a 31.000 millones de parámetros —el Qwen 3.8, que TechCrunch identifica como el de 27.000 millones— en cuatro de los seis test, incluidos Terminal-Bench 2.1 (54,9 frente a 73,0), SWE-bench Verified (74,2 frente a 75,6) y LiveCodeBench v6 (80,3 frente a 90,3). Gana en IFBench y en IFEval. TechCrunch lo confirma: en la media de los seis test, solo un modelo quedó por encima de Flint, y es ese.
Dos avisos sobre esa tabla, los dos de la propia empresa. El primero: las puntuaciones rivales no se midieron de nuevo salvo las marcadas, y la ficha del modelo advierte de que «evaluation setups vary across sources». Es una comparativa de la empresa con las reglas de la empresa. El segundo: Flint puntúa 89,7 en SWE-bench Pro v2 y 74,2 en SWE-bench Verified, cuando Pro se presentó como el más difícil de los dos. Sacar quince puntos más en el test duro es contraintuitivo, y ese panel es precisamente el que está marcado como medido internamente. No conviene usar esa cifra sin advertirlo.
¿Qué parte construyó la IA?
Nadie lo sabe, y eso incluye a quien lo afirma. El consejero delegado, Richard Socher, exjefe científico de Salesforce, declaró a Wired que «nearly every aspect of the entire model pipeline was actually done and improved upon by AI». La formulación oficial del blog es bastante más prudente: su sistema, el Eureka Machine, «helped develop nearly every part of Flint’s model-building stack».
No hay porcentaje. Ni auditoría externa, ni forma de comprobarlo desde fuera. TechCrunch lo hace constar: la empresa no dijo cuánto tiempo le ahorró el sistema a sus investigadores.
Lo que el post oficial describe, y es concreto, son tres aportaciones de ingeniería: búsqueda de arquitectura (partiendo de una base de 35.000 millones totales y 3.000 activos, exploró configuraciones hasta dar con la actual), una receta de cuantización que cuantiza la capa de salida a 4 bits «contra la práctica habitual» usando casi la mitad de pasos de entrenamiento que su línea base, y kernels especializados, incluido un megakernel de Metal que fusiona todo el paso de decodificación en los chips M4 y M5. Eso es optimización automatizada, es real y es valiosa. No es lo mismo que la imagen que evoca «lo construyó la IA».
La única evidencia inspeccionable del sistema es anterior, de un post de junio: mejoró el mejor resultado comunitario en una tarea de entrenamiento de modelos pequeños y recortó un récord de velocidad que la comunidad llevaba más de dos años optimizando, de 79,7 a 77,5 segundos. Con una nota al pie que conviene leer: estaban «a la espera de acceso» al hardware oficial para enviarlo al ranking, así que ese récord no está homologado. El mismo post admite que el reward hacking fue «especialmente difícil» en una de las tareas, con candidatos que cacheaban salidas o explotaban detalles del medidor de tiempo.
Mi lectura es que el pecado está más en la amplificación que en el post. Wired tituló que el modelo es «scary good» apoyándose en que un periodista hizo tres programas pequeños en un Mac de 48 gigas. Eso es una impresión de usuario, no una evaluación, y «scary» mezcla dos cosas distintas: la calidad del modelo y el miedo a la automejora recursiva. El post oficial, en cambio, es inusualmente honesto para un lanzamiento: marca lo que mide internamente, describe la receta de cuantización, admite el reward hacking y avisa de que el modelo «puede necesitar más orientación que los modelos de código cerrado más grandes a los que estás acostumbrado».
Hay un detalle que explica buena parte del encuadre. El sistema se llama Eureka Machine, y Socher publicó en septiembre un libro titulado exactamente así. El reclamo tiene una dimensión promocional personal que conviene tener presente.
Sobre el marco de la automejora recursiva, la empresa ve esos miedos «más como ciencia ficción que como realidad» y considera la legislación que la prohibiría un impedimento innecesario. El contrapeso académico es útil: una revisión de 1.250 trabajos publicada como preprint distingue la auto-refinación acotada, que es práctica establecida, de la automejora recursiva abierta, limitada por el anclaje a la realidad, las dinámicas de colapso y el cómputo, y sostiene que la fuerza de la mejora depende de la calidad del verificador. Es decir: lo que Recursive ha hecho encaja razonablemente en la primera categoría, que es la que funciona.
A 24 horas del lanzamiento no existe ninguna evaluación independiente, ni del modelo ni mucho menos de quién lo construyó. El hilo oficial en Hacker News acumulaba 24 puntos y dos comentarios, ambos sobre velocidad. Las descargas en Hugging Face, en cambio, apuntan a interés real: unas 3.000 entre las dos variantes para Apple Silicon y 1.561 de la de NVIDIA. Eso es lo que hay que mirar dentro de una semana: no si una IA lo construyó, sino si alguien lo usa. Mientras tanto, lo que ofrece es lo que ya ofrecen los modelos locales que caben en un portátil con 16 gigas pero con mejores números, y el escepticismo que conviene es el mismo que ya tocó aplicar a un modelo presentado como el más inteligente de Europa que apuntaba a ser una compresión de otro chino. Aquí, al menos, los pesos están publicados y cualquiera puede comprobar el modelo. Lo que no se puede comprobar es la historia que lo envuelve. Y el hardware donde la empresa mide sus mejores cifras es, casualmente, el que Microsoft acaba de convertir en argumento de venta de Windows para agentes locales.