Recursive, Büyük Ölçüde Yapay Zeka Tarafından Geliştirilen Dizüstü Bilgisayar Kodlama Modeli Flint'i Tanıttı

Kendi Kendini Geliştiren Yapay Zekada İlk Adım: Flint#

Geçen yıl kurulan yapay zeka girişimi Recursive, kendi kendini geliştirebilen yapay zeka vizyonunun ilk somut ürünü olan Flint modelini çarşamba günü yayınladı. Dizüstü bilgisayarlarda çalışabilen ve tamamen ücretsiz olan bu kodlama modeli, şirketin Eureka Machine adını verdiği otomatik araştırma sisteminin desteğiyle geliştirildi. Küçük bir ekibin sıfırdan dört aydan kısa sürede tamamladığı Flint, yapay zekanın daha iyi bir yapay zeka inşa etmesi anlamına gelen "özyinelemeli kendi kendini geliştirme" (recursive self-improvement) kavramının erken bir genel testi niteliğinde.

Sektörde yapay zekanın insan kontrolünden çıkabileceği tartışmaları sürerken, Recursive’in mevcut yaklaşımı insanların gözetiminde çalışan bir yapay zeka araştırma asistanına dayanıyor. Eski Salesforce baş bilim insanı Richard Socher liderliğindeki şirket, mayıs ayında GV, Nvidia ve AMD Ventures gibi yatırımcılardan 4,65 milyar dolar değerlemeyle 650 milyon dolar yatırım alarak gizlilik modundan çıkmıştı.

Teknik Mimari, Hız ve Performans#

Bulut sunucuları yerine doğrudan kullanıcının kendi bilgisayarında çalışan Flint, Hugging Face üzerinden Apache 2.0 açık kaynak lisansıyla ücretsiz olarak indirilebiliyor. Modelin öne çıkan teknik ve performans özellikleri şunlardır:

• Mixture-of-Experts (MoE) Mimarisi: Toplamda 40 milyar parametreye sahip olan model, herhangi bir görev için aynı anda yalnızca 2,5 milyar parametresini kullanıyor. En az bir terabayt bellek gerektiren 816 milyar parametreli Meta Muse Spark Open modelinin aksine, standart bir dizüstü bilgisayarda rahatlıkla çalışabiliyor.
• Yüksek Üretim Hızı: Apple M4 Pro çipli bir MacBook Pro üzerinde saniyede yaklaşık 131 token üreten Flint, aynı cihazda 58 ila 69 token üretebilen Google Gemma 4 ve Nvidia Nemotron 3.5 Lightning gibi benzer modelleri ikiye katlıyor. Nvidia RTX Spark üzerinde ise saniyede 150 token sınırını aşıyor.
• Benchmark Başarısı: Gerçek dünyadaki yazılım hatalarını çözme yeteneğini ölçen SWE-Bench Verified testinde 50 milyar parametrenin altındaki tüm modelleri geride bıraktı. Recursive’in altı farklı testten oluşan ortalamasında ise Flint’i yalnızca Alibaba Qwen3.8 27B geçebildi.

Geliştiriciler İçin Pratik Çıkarımlar#

Recursive, Flint’in büyük ücretli kodlama asistanlarına kıyasla daha fazla yönlendirmeye ihtiyaç duyduğunu kabul ediyor. Yazılım geliştirme ve öğrenme süreçlerinde bu tarz yerel modellerden en iyi verimi almak için şu pratik adımlar uygulanabilir:

• Görevleri Parçalara Ayırma: Modelin karmaşık mimarilerde hata payını düşürmek için büyük geliştirme görevlerini küçük, yönetilebilir adımlara (sub-tasks) bölerek prompt verin.
• Gizlilik ve Maliyet Avantajı: Kod tabanınızı dış sunucularla paylaşmadan tamamen çevrimdışı çalışabilir ve bulut servislerinin metin işleme başına kestiği API kullanım ücretlerinden tasarruf edebilirsiniz.
• Donanım Optimizasyonu: Aktif parametre sayısının düşüklüğü (2.5B) sayesinde, 48 GB bellekli bir Mac veya modern GPU'lu bir dizüstü bilgisayarda yerel geliştirme ortamınıza hızlı bir yardımcı entegre edebilirsiniz.

MODÜL: Modeller: Hangisi, Ne Zaman?