Flint modeli tanıtıldı: Recursive’in yerel kodlama yapay zekâsı
Flint modeli nedir, hangi amaçla geliştirildi?
Yapay zekâ şirketi Recursive, kodlama görevlerinde kullanılmak üzere geliştirdiği Flint’i 21 Ekim 2026’da tanıttı. Şirketin açıklamasına göre model, kodlama ajanlarıyla yerel donanım üzerinde çalıştırılmak üzere tasarlandı. Tanıtımın ardından model ağırlıkları Hugging Face’te RecursiveSI/flint sayfasında yayımlandı.
Flint modeli, “uzmanlar karışımı” olarak bilinen MoE mimarisini kullanıyor. Şirket modeli yaklaşık 40 milyar parametreli olarak tanıtırken, Hugging Face model kartında toplam parametre sayısı 39,8 milyar olarak belirtiliyor. Token başına etkin parametre miktarı ise yaklaşık 2,5 milyar. Dolayısıyla modelin toplam parametre sayısı ile her token işlenirken etkinleşen parametre miktarı aynı değil.
Flint modeli nasıl geliştirildi?
Recursive, Flint’in küçük bir insan ve yapay zekâ ajanları ekibi tarafından dört aydan kısa sürede sıfırdan geliştirildiğini bildiriyor. Şirket, kendi otomatik araştırma sistemi Eureka Machine’in geliştirme sürecinde veri, eğitim, altyapı ve çıkarım optimizasyonu gibi aşamalara katkı sağladığını belirtiyor. Bu süre ve yönteme ilişkin bilgiler Recursive’in kendi açıklamasına dayanıyor.
Şirketin aktardığı bu geliştirme süreci, modelin bağımsız olarak değerlendirilmiş bir niteliği değil, üreticinin çalışma yöntemiyle ilgili beyanı. Flint modeli hakkında karar verirken geliştirme süresini tek başına kalite veya performans göstergesi olarak değerlendirmemek gerekiyor.
Model yerel olarak nasıl kullanılabiliyor?
Recursive, Flint’in uygun donanımlarda yerel çalıştırılabildiğini söylüyor. Şirketin açıklamasına göre bu kullanım biçimi çevrimdışı çalışmayı ve verilerin cihaz üzerinde kalmasını mümkün kılabiliyor. Model ağırlıklarının Apache 2.0 lisansıyla yayımlanması, Flint’in kullanım koşulları açısından öne çıkan bilgiler arasında yer alıyor.
Recursive’in önerdiği çalıştırma araçları arasında llama.cpp, Ollama, LM Studio, vLLM ve SGLang bulunuyor. Bu araçların listelenmesi, her donanımda aynı kurulumun veya performansın elde edileceği anlamına gelmiyor. Şirketin yerel kullanım açıklaması da uygun donanım koşuluna bağlı; verilen bulgularda bütün kullanıcılar için geçerli tek bir donanım gereksinimi belirtilmiyor.
Hız ve benchmark sonuçları ne gösteriyor?
Recursive, kısa bağlamlı testlerde M4 Pro işlemcili MacBook Pro’da saniyede 125’in üzerinde token üretildiğini açıklıyor. Şirketin 64 GB NVIDIA RTX Spark için bildirdiği değer ise saniyede 150’nin üzerinde token. TechCrunch’ın aktarımında MacBook Pro testi için yaklaşık 131 token/saniye değeri de yer alıyor. Bunlar şirketin test sonuçları olarak aktarılmalı; bağımsız biçimde doğrulanmış performans ölçümleri olarak sunulmamalı.
Hugging Face model kartı, Recursive’in yayımladığı değerlendirmelerde aşağıdaki sonuçları listeliyor. Model kartı, değerlendirme kurulumlarının kaynaklara göre değişebileceğine de dikkat çekiyor. Bu nedenle değerler, farklı modellerin veya test ortamlarının doğrudan ve koşulsuz karşılaştırması olarak okunmamalı.
| Değerlendirme | Model kartında listelenen sonuç |
|---|---|
| Terminal-Bench 2.1 | %54,9 |
| SWE-bench Pro v2 | %89,7 |
| SWE-bench Verified | %74,2 |
Recursive ayrıca Flint’in karmaşık görevlerde büyük kapalı modellere kıyasla daha fazla yönlendirme gerektirebileceğini belirtiyor. Bu not, modelin kullanımında görev zorluğunun ve kullanıcı yönlendirmesinin önem taşıyabileceğine işaret ediyor; tek başına genel bir başarı veya başarısızlık hükmü oluşturmuyor.
Flint’in bağlam penceresi için hangi değerler veriliyor?
Flint modeli için yayımlanan belgelerde bağlam penceresi aynı değerle ifade edilmiyor. Recursive’in lansman yazısında 512 bin token’a kadar destekten söz edilirken, Hugging Face model kartındaki belgelenmiş bağlam yapılandırması 262.144 token olarak listeleniyor. Bulgularda bu farkın kullanım veya kurulum koşullarıyla nasıl açıklanacağı belirtilmediği için iki değer tek bir kesin kapasite gibi sunulmamalı.
Bu nedenle kullanıcıların bağlam penceresi bilgisini değerlendirirken hangi belgeyi ve hangi yapılandırmayı esas aldığını dikkate alması gerekiyor. Mevcut bilgiler, iki değerin aynı koşulları ifade ettiğini ortaya koymuyor.
Flint hakkında öne çıkan bilgiler
- Tanıtım tarihi: 21 Ekim 2026.
- Mimari: MoE; toplam parametre sayısı model kartında 39,8 milyar, token başına etkin parametre miktarı yaklaşık 2,5 milyar olarak veriliyor.
- Lisans ve dağıtım: Ağırlıklar Hugging Face üzerinden Apache 2.0 lisansıyla yayımlandı.
- Önerilen araçlar: llama.cpp, Ollama, LM Studio, vLLM ve SGLang.
- Performans verileri: Şirketin testlerine ve yayımladığı değerlendirmelere dayanıyor; bağımsız ölçüm olarak değerlendirilmemeli.
Özetle Flint modeli, yerel çalıştırma olanağı, açık lisansla yayımlanan ağırlıkları ve kodlama görevlerine odaklanmasıyla tanıtıldı. Parametre, hız ve benchmark rakamları farklı kaynak ve test koşullarına bağlı olduğundan, özellikle performans karşılaştırmalarında bu sınırları gözetmek gerekiyor.
İlgili İçerikler
Sıkça Sorulan Sorular
Flint modeli ne zaman tanıtıldı?
Recursive, Flint’i 21 Ekim 2026’da tanıttı.
Flint hangi lisansla yayımlandı?
Model ağırlıkları Hugging Face üzerinden Apache 2.0 lisansıyla yayımlandı.
Flint hangi araçlarla çalıştırılabiliyor?
Recursive’in önerdiği araçlar arasında llama.cpp, Ollama, LM Studio, vLLM ve SGLang bulunuyor.
Flint’in bağlam penceresi kaç token?
Recursive’in lansman yazısı 512 bin token’a kadar destek bildirirken, Hugging Face model kartı belgelenmiş yapılandırmayı 262.144 token olarak listeliyor. Kaynaklardaki bu farklılık nedeniyle değerler tek bir kesin kapasite olarak aktarılmamalı.
Kaynaklar: webrazzi.com , t.co , huggingface.co , recursive.com






