/// Signal

Flint, 40 milliards de paramètres sur un portable : 71 % de modèle en moins, aucun temps gagné chiffré

Le fait : Recursive a publié le 21 octobre Flint, un modèle de code open-weight de 40 milliards de paramètres, gratuit et sous licence Apache 2.0, qui tourne sur un ordinateur portable. La société affirme que son système de recherche automatique, l’Eureka Machine, a pris en charge presque toutes les étapes de sa fabrication. Le modèle est bon et cela se vérifie. La société chiffre une contribution de son système — un entraînement en basse précision qui a réduit Flint de 71 % — mais pas le temps que l’Eureka Machine a fait gagner à ses chercheurs.

Le mécanisme d’abord, parce qu’il explique la taille. Flint est un modèle à experts : sur ses 40 milliards de paramètres, 2,5 milliards seulement sont activés pour une tâche donnée, écrit TechCrunch. C’est ce qui le rend assez léger pour une machine ordinaire, là où le Muse Spark Open de Meta, sorti une semaine plus tôt et taillé pour les Mac, demande 816 milliards de paramètres et au moins un téraoctet de mémoire. Will Knight, de WIRED, l’a essayé sur un Mac à 48 Go de RAM et l’a trouvé « both fast and very capable » : une liste de tâches en ligne de commande, un programme qui ratisse le web à la recherche de travaux sur l’amélioration récursive, un petit site qui explique le RSI. Il ajoute que, de son expérience, les modèles de cette taille sont « annoyingly error-prone or slow » face à Claude ou Codex, et que Flint a satisfait ses demandes à chaque fois.

Les chiffres ensuite, et il faut les tenir serrés, parce qu’ils viennent tous de Recursive et qu’aucun n’est indépendant. Sur SWE-Bench Verified, un banc d’essai qui mesure la capacité à corriger de vrais bugs logiciels, Flint devance les modèles de moins de 50 milliards de paramètres, rapporte TechCrunch. Sur la moyenne maison de six tests, un seul modèle fait mieux : le Qwen3.8 27B d’Alibaba. En vitesse, la société annonce environ 131 jetons par seconde sur un MacBook Pro à puce M4 Pro, contre 58 à 69 pour des modèles comparables mesurés sur la même machine, dont Gemma 4 de Google et Nemotron 3.5 Lightning de Nvidia ; et plus de 150 jetons par seconde sur une RTX Spark de Nvidia. La formulation de WIRED est plus étroite qu’elle n’en a l’air : Flint « outperforms other models of similar size and architecture » sur les tâches de code. Pas les géants.

La réserve est dans les deux articles, et elle est plus instructive que la performance. Un gain est pourtant chiffré, et il faut le donner : Recursive affirme qu’un entraînement en basse précision a réduit Flint de 71 % « with almost no loss in quality ». L’entreprise reconnaît par ailleurs que Flint réclame plus d’encadrement que les grands assistants de code payants, et conseille de découper les grosses tâches en étapes plus petites. Surtout, sur la seule question qui compte pour un argument récursif, celle du temps réellement gagné, TechCrunch écrit que Recursive « didn’t say how much time the Eureka Machine saved its researchers ». Les durées citées divergent d’ailleurs : WIRED, citant le PDG, parle de « a few months » pour bâtir un modèle de classe mondiale avec une poignée de chercheurs ; TechCrunch écrit « under four months » pour construire le modèle de zéro. Les deux viennent de l’entreprise, aucune n’est un relevé de temps.

Un point de calendrier, enfin, qui change la lecture du sujet, et la nature exacte de ce qui est revendiqué. Les 650 millions de dollars levés sur une valorisation de 4,65 milliards ne datent pas de cette semaine : TechCrunch les rattache à la sortie de l’ombre de la société, « in May ». La nouvelle du 21 octobre, c’est le modèle — le premier de Recursive, société « founded last year ». Et ce que l’entreprise revendique n’est pas l’amélioration récursive complète : c’est un assistant de recherche supervisé par des humains, qui a produit un modèle assez petit pour tenir sur un portable ; TechCrunch parle d’une version « more limited ». Richard Socher, ancien scientifique en chef de Salesforce, cofondateur avec, entre autres, Jeff Clune, professeur à l’Université de Colombie-Britannique qui étudie les systèmes capables d’apprendre sans fin, dit vouloir aller jusque-là, sous supervision humaine et avec la possibilité d’arrêter le processus. « We hope that this shows people that indeed we have all the steps in place », dit-il. Le décor, lui, n’a pas bougé : ces inquiétudes ont pris de l’ampleur en septembre quand un chercheur a quitté Anthropic en avertissant que les progrès de l’IA, amélioration récursive comprise, pourraient mener à une extinction humaine en quelques années — reprise qui a fait son chemin jusqu’au Congrès, où plusieurs textes proposent d’interdire la pratique. Recursive juge ces craintes plus proches de la science-fiction que de la réalité. WIRED rappelle pour sa part que des travaux publiés par une équipe de Microsoft, de Carnegie Mellon et de l’Université de Virginie montrent déjà qu’un agent de code peut s’améliorer en modifiant lui-même l’échafaudage logiciel qui transforme son raisonnement en action, et les poids de son propre modèle.