Recursive Flint 리뷰: 40B MoE 로컬 코딩 모델, Apache 2.0 공개

핵심 요약

Recursive(Recursive Superintelligence, Inc.)가 2026년 10월 21일 로컬 에이전틱 코딩용 모델 Flint를 공개했다(공식 블로그). 총 40B 파라미터 중 토큰당 2.5B만 활성화하는 MoE 모델이다. Apache 2.0 라이선스이며 가중치는 Hugging Face RecursiveSI/flint에 있다. Recursive는 2025년 설립된 스타트업이고 Flint가 첫 모델이다(TechCrunch).

이 글의 성능 수치는 모두 Recursive 보고 기준이다. 독립 벤치마크는 확인되지 않았다. Wired의 Will Knight가 48GB Mac에서 써본 정성적 후기가 있을 뿐이다(TechCrunch 전언).

주요 기능

1. 40B 총량, 2.5B 활성 MoE

아키텍처 탐색은 35B/3B 기준선에서 시작했다. 이후 40B/2.5B가 속도와 코딩 균형이 가장 좋을 것으로 예측해 선택했다. 컨텍스트는 최대 512k 토큰이며 256k 이내를 권장한다.

2. 노트북급 추론 속도

수치는 모두 회사 테스트 기준이다. 공식 각주는 128k 토큰 세션 평균이며 prefill은 제외한다고 밝혔다. TechCrunch에 따르면 같은 기기에서 Gemma 4와 Nemotron 3.5 Lightning은 58~69 tok/s였다. 회사는 같은 급 모델 대비 최대 2배, 비슷한 코딩 점수의 dense 25–40B 모델 대비 5배 이상 빠르다고 주장한다.

3. 벤치마크 주장

SWE-Bench Pro v2, Terminal-Bench 2.1, SWE-Bench Verified에서 50B 미만 MoE 중 선두라고 한다. 자체 6개 테스트 평균에서는 Alibaba의 Qwen3.8 27B만 더 높았다(TechCrunch). 구체적인 점수는 공개되지 않았다. 설정은 temperature 1.0, top-p 0.95, top-k 20이며 에이전트 평가는 최소 5회 평균 pass@1이다.

4. 4비트 lm_head 양자화

lm_head를 4비트로 양자화했다. 통상 관행과 반대라고 회사는 설명한다. 오프라인 증류로 품질을 복구했고, 최종 NVFP4 모델은 16비트 대비 벤치마크 0.7점 이내다. TechCrunch는 모델 크기가 71% 줄었다는 회사 설명을 전했다.

5. Eureka Machine

자동 연구 시스템 Eureka Machine이 데이터, 옵티마이저, 학습 레시피, 인프라, 추론 최적화에 기여했다고 한다(회사 주장). 학습 데이터 크기와 하드웨어는 공개되지 않았다. 연구자 시간을 얼마나 절약했는지도 밝히지 않았다.

사용성 분석

Flint는 llama.cpp, Ollama, Unsloth, LM Studio, vLLM, SGLang과 호환된다. 경량 추론 엔진 rec도 함께 공개됐고 M4 Pro와 M5 Pro/Max에 최적화되어 있다. 시작 문서는 docs.recursive.com/getting-started다.

한계도 명시됐다. 더 큰 클로즈드 코딩 모델보다 명시적 지침이 더 필요할 수 있다. 복잡한 작업은 작은 하위 작업으로 나누라고 권고한다. 참고로 TechCrunch는 Meta의 Muse Spark Open이 816B 파라미터에 최소 1TB 메모리가 필요하다고 전했다.

장단점

장점은 Apache 2.0 라이선스, 로컬에 맞춘 활성 2.5B 구성, 주요 도구 호환이다. 단점은 모든 수치가 자사 보고라는 점, 구체 점수와 학습 데이터 미공개, 복잡한 작업에서 지침 보강이 필요하다는 점이다.

전망

Recursive는 2026년 5월 스텔스를 해제했고 $650M을 투자받았다. 기업가치는 $4.65B이며 투자자에 GV, Nvidia, AMD Ventures가 있다. 6월에는 AWS와 $410M 규모 컴퓨트 계약을 맺었다(TechCrunch). 후속 모델 일정은 공개되지 않았다. 당분간은 독립 측정이 평가의 핵심이다.

결론

Flint는 외부 API 없이 노트북에서 코딩 보조를 돌리려는 개발자에게 시험해 볼 만하다. 다만 성능 우위는 아직 자사 주장이다. 도입 전에 자신의 저장소로 확인해야 한다. 평점은 4점이다.