LA VERDAD DETRAS DE FLINT, EL NUEVO MODELO DE PROGRAMACIÓN CON PESOS ABIERTOS
La compañía Recursive Superintelligence, que arrancó en 2025 y salió a la luz pública en mayo de 2026 tras recaudar más de 650 millones de dólares, soltó al mercado el pasado 21 de octubre un modelo de programación bautizado como Flint. Esta herramienta liberada bajo licencia Apache 2.0 destaca no tanto por su funcionamiento técnico —el cual resulta sólido y comprobable—, sino por la tremenda afirmación que la acompaña: la empresa asegura que prácticamente todo el desarrollo corrió a cargo de su propia inteligencia artificial.
CARACTERÍSTICAS TÉCNICAS Y RENDIMIENTO EN EQUIPOS LOCALES
Si nos echamos un clavado en las entrañas de Flint, nos topamos con un sistema mixture-of-experts que presume 39 mil 800 millones de parámetros totales, dejando unos 2 mil 500 millones activos por token. Cuenta con 49 capas y 256 expertos enrutados por capa, de los cuales se eligen seis más uno compartido que siempre anda chambeando, combinando 35 capas de atención de ventana deslizante con 14 de atención completa, marcando un corte de conocimiento hasta junio de 2026.
La ficha técnica oficial apunta a 262 mil 144 tokens de contexto, aunque en su blog presumen que aguanta hasta 512 mil, recomendando no pasar de los 256 mil para evitarse broncas. Los repositorios GGUF salieron al ruedo con los 262 mil 144 tokens documentados inicialmente. En la práctica, lo chido es que tenemos un modelo con pesos abiertos que se baja gratis, jala localmente y es compatible con herramientas como llama.cpp, Ollama, LM Studio, vLLM y SGLang.
Ahora bien, eso de que corre en una laptop trae su letra chiquita. Para sacarle jugo en un equipo Apple Silicon en versión GGUF, que pesa 26 gigas, la documentación te exige un equipo con al menos 48 GB de memoria unificada. Del lado de NVIDIA, el archivo pesa 22.9 gigas y te pide mínimo 48 GB de memoria de GPU o memoria unificada en Spark. Por otro lado, el checkpoint principal en BF16 del repositorio central pesa unos 80 gigas y pide de cajón una GPU B300 o H200 por réplica, sin traer todavía el código de modelado para Transformers.
DONDE LA INTELIGENCIA ARTIFICIAL ENTRÓ AL QUITE
¿Qué tanto metió las manos la IA en este rollo? Nadie lo sabe de ciencia cierta, ni los meros petates de la empresa. Richard Socher, el mero mero y exjefe científico de Salesforce, soltó a un medio que casi todo el pipeline del modelo fue hecho y mejorado por inteligencia artificial. Sin embargo, la postura oficial en su blog se ve más mesurada, indicando que su sistema, llamado Eureka Machine, ayudó a desarrollar casi todo el stack de construcción de Flint sin soltar porcentajes ni auditorías externas que lo respalden.
Lo que sí reportan de manera concreta son tres aportaciones de ingeniería muy claras: una búsqueda de arquitectura que arrancó con una base de 35 mil millones totales y 3 mil activos hasta dar con el diseño actual; una receta de cuantización que deja la capa de salida a 4 bits usando casi la mitad de pasos de entrenamiento habituales; y la creación de kernels especializados, destacando un megakernel de Metal que junta todo el proceso de decodificación para chips M4 y M5.
COMPETENCIA EN BENCHMARKS Y LAS DUDAS SOBRE LA AUTOMEJORA
Al medirlo frente a otros contrincantes, la empresa asegura que Flint se rifa como los grandes entre los modelos MoE con menos de 50 mil millones de parámetros en benchmarks de código agéntico. No obstante, las gráficas revelan que muerde el polvo frente a un modelo denso de la categoría de 27 mil a 31 mil millones de parámetros —identificado como Qwen 3.8— en cuatro de seis pruebas, incluyendo Terminal-Bench 2.1, SWE-bench Verified y LiveCodeBench v6, saliendo victorioso únicamente en IFBench y en IFEval.
Sobre la narrativa de la automejora recursiva, la compañía descarta los terrores existenciales y los cataloga como pura ciencia ficción, tachando las leyes que busquen frenarla como un obstáculo innecesario. Por su parte, la raza académica mantiene los pies en la tierra, señalando que los logros de la empresa entran en la categoría de auto-refinación acotada, que es una práctica totalmente normal y no una automejora recursiva desbocada.
A pocos días del lanzamiento no hay evaluaciones independientes sobre quién armó realmente el software. En plataformas como Hacker News el tema pasó casi de noche, pero en Hugging Face las descargas demuestran que hay curiosidad real por parte de la banda dev. Al final del día, lo que tenemos enfrente es un modelo local con números interesantes, respaldado por pesos públicos que cualquiera puede auditar, aunque la historia de origen contada por sus creadores se quede en el terreno de lo im확지ble.
Por: Redacción de Noticia Digital (NoticiaDigital.com.mx)
