Flint 40B-A2.5B
Recursive
Son güncelleme: 28 Ekim 2026
🖥️ Bu model bilgisayarında çalışır mı?
Q4 quantization ile en az 14 GB VRAM ya da birleşik bellek ister — 24 GB ve üstünde rahat çalışır.
Q2_K_XL (13,6 GB) + KV cache ile en az 14 GB. Q8_0 (42,3 GB) çoklu GPU ister. 40B toplam ama ~2,5B aktif parametre olduğu için hızlı.
BF16 ağırlıklar yaklaşık 80 GB. Unsloth GGUF: IQ1_M 11,4 GB / Q2_K_XL 13,6 GB / Q4_K_XL 25,1 GB / Q8_0 42,3 GB. 16 GB VRAM için Q2 sınıfı gerekir.
Ekran kartını seç, çalışır mı gör →Türkçesini kendin test et →Bağlam uzunluğu
262K token
API giriş (1M token)
—
API çıkış (1M token)
—
Kullanıcı planı
Ücretsiz (açık kaynak)
Ücretsiz plan mevcut
Türkçe destek
Zayıf
Çok modlu
Hayır
Hızı
Hızlı
Bilgi kesim tarihi
2026-06
OpenAI uyumlu
Evet
SWE-Bench
74.2%
Ne İçin Kullanılır?
- ✓Kendi bilgisayarında çalışan kodlama ajanı
- ✓Kod tabanında otonom değişiklik ve hata düzeltme
- ✓Terminal görevleri
- ✓Araç kullanan ajan iş akışları
- ✓Ucuz ve hızlı kod asistanı
Güçlü Yönler
- ↑SWE-bench Verified %74,2 ve SWE-bench Pro v2 %89,7: yerel çalışan modeller için çok yüksek
- ↑Token başına sadece ~2,5B aktif parametre: 40B toplam boyuna rağmen hızlı
- ↑OpenAI uyumlu araç çağırma ile mevcut ajan araçlarına bağlanabiliyor
- ↑Apache 2.0 lisansı ve 11,4 GB'tan başlayan geniş kuantlama seçeneği
- ↑Bilgi kesim tarihi Haziran 2026
Dikkat Edilecekler
- ↓Ücretli API kademesi henüz yok, OpenRouter'da sadece :free sürümü var
- ↓BF16 ağırlıklar 80 GB, işe yarar kuantlamalar için bile 14 GB üstü VRAM gerekiyor
- ↓Benchmark'ların hepsi firmanın kendi ölçümü
- ↓Kodlama odaklı, Türkçe için bir iddiası yok
- ↓Sadece metin, görsel ve ses girdisi yok
Flint, Recursive adlı şirketin kodlama ajanları için geliştirdiği karışık uzmanlı (MoE) bir dil modeli. Kâğıt üstünde 39,8 milyar parametresi var ama token başına yaklaşık 2,5 milyar parametre çalışıyor. Her MoE katmanında 256 uzmandan 6'sı seçiliyor, bir de hep açık kalan ortak uzman var. Yani diskte büyük, hesaplamada küçük bir model. Şirket, Flint'i insanlar ve yapay zeka ajanlarından oluşan küçük bir ekiple, kendi "Eureka Machine" adlı otomatik araştırma sistemiyle dört aydan kısa sürede sıfırdan geliştirdiğini söylüyor. Model 21 Ekim 2026'da yayınlandı. Asıl iddiası kodlama skorları. Model kartında SWE-bench Verified'da %74,2, SWE-bench Pro v2'de %89,7, Terminal-Bench 2.1'de %54,9 veriliyor. Yerel çalıştırılabilen bir model için bunlar çok yüksek rakamlar. Ölçümler temperature 1,0, top_p 0,95, top_k 20 ayarlarıyla yapıldı. SWE-bench için mini-swe-agent, Terminal-Bench için Terminus 2 kullanıldı. Rakamların hepsi firmanın kendi ölçümü. Teknik detaylar: context penceresi 262.144 token (girdi ve çıktı birlikte), sözlük boyutu 150.144 token, bilgi kesim tarihi Haziran 2026. Reasoning ve çok turlu araç kullanımı destekleniyor. Sohbet geçmişinde modelin döndürdüğü reasoning_content alanını koruman gerekiyor. Recursive, M4 Pro MacBook Pro'da kısa context'te saniyede 125'in üzerinde token ürettiğini söylüyor. Lisans Apache 2.0. BF16 ağırlıklar Hugging Face'te ve yaklaşık 80 GB. Şirket NVIDIA ve Apple Silicon için ayrı kuantlamalar hazırladı. Unsloth'un GGUF deposunda IQ1_M 11,4 GB, Q2_K_XL 13,6 GB, Q4_K_XL 25,1 GB ve Q8_0 42,3 GB gibi seçenekler var. OpenRouter'da recursive/flint-v1.0 olarak listeleniyor ama şu an sadece ücretsiz (:free) kademesi var, ücretli fiyat açıklanmadığı için fiyat alanları boş. Kodlama odaklı ve model kartı dil desteğine dair bilgi vermiyor, Türkçe için bir iddia yok.
En Yakın Alternatif
Gerekli Programlar
Açık ağırlıklı bir modeli kendi bilgisayarında çalıştırmak için bir model yöneticisi gerekir. İkisi de ücretsiz, ikisi de Windows, Mac ve Linux'ta çalışır.
LM Studio — görsel arayüz isteyenler için
Modeli listeden seçip indiriyorsun, terminal yok. Yeni başlayan için en kısa yol.
Ollama — terminalden çalıştıranlar için
Terminalden tek komutla model indirip çalıştırıyorsun, arayüz yok. Bu modelin Ollama kütüphanesinde hazır bir sürümü olup olmadığını ollama.com'da arayarak görebilirsin.
Donanım tarafı
Büyük modeller için ekran kartı yetmiyorsa, iş istasyonu sınıfı donanımın ne verdiğini rehberde ölçtük.
DGX Spark rehberi →