Is Flint the Killer of Qwen 3.8 27B? (First RSI Model)

Item: Is Flint the Killer of Qwen 3.8 27B? (First RSI Model)
Rating: 4
Author: PostSingularity Institute

Flint est-il le tueur de Qwen 3.8 27B ? (Premier modèle RSI)

Historique des titres

Is Flint the Killer of Qwen 3.8 27B? (First RSI Model) — observé le 20261031-2304 UTC (YouTube)

par Kai · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Actualité & Applications UYInformatique UYQIntelligence artificielle (IA)

🎙 Kai 👥 65K 📅 25 octobre 2026 ⏱ 22 min 👁 56K 📄 opinion experte 🧭 2026-10-31

Disponible en : Français (actuel) English

Mots-clés

FlintQwenMixture of ExpertsRecursiveCoding model

Résumé

Cette vidéo analyse en profondeur le modèle de codage Flint de Recursive, présenté comme le premier modèle RSI (self-improvement récursif). Le créateur teste les affirmations de vitesse (131 tokens/s sur MacBook Pro) par rapport à Qwen 3.8 27B, un modèle dense populaire. Il explique que la différence vient de l’architecture MoE (mixture of experts) avec seulement 2,5B de paramètres actifs par token. Cependant, il montre que la vitesse par token ne se traduit pas par une vitesse par tâche, car Flint a un raisonnement toujours actif et consomme beaucoup plus de tokens (45 082 vs 2 732 pour Qwen sur 14 tâches). Il souligne que sur les benchmarks publiés, Qwen gagne 4 des 6 tests, mais Flint est plus rapide sur des tâches courtes et précises. Il aborde aussi les limites du contexte (131 tok/s seulement à 1K, chute à 9 tok/s à 115K), la comparaison des moteurs (llama.cpp vs MLX/rec, 1.34x au lieu de 2x), et donne des recommandations pratiques pour qui utiliser Flint (Mac avec 48GB, AMD avec Vulkan, etc.). Il conclut que Flint n’est pas encore un ‘killer’ mais un candidat prometteur pour certains usages.

188 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de cette vidéo repose sur une analyse critique rigoureuse qui va au-delà des chiffres marketing. L’auteur ne se contente pas de rapporter les benchmarks de Recursive, il les vérifie avec des tests indépendants et compare sur des moteurs identiques. Il démonte méthodiquement l’affirmation de vitesse en distinguant tokens/s et temps de complétion, montrant que le raisonnement permanent de Flint peut annuler l’avantage de vitesse. L’argumentation est solide : elle s’appuie sur des données concrètes, cite des sources multiples et reconnaît les limites de son propre test. L’auteur adopte un ton mesuré, évite le sensationnalisme et offre une perspective nuancée, ce qui rend son analyse particulièrement crédible.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est notable : l’auteur utilise plusieurs sources indépendantes (Dolmario Local AI, AICodeKing, AtomicAgent) et renvoie systématiquement aux documents officiels (model card, documentation Recursive). Il signale explicitement les conflits d’intérêts potentiels (benchmarks de l’entreprise) et distingue les faits vérifiés des affirmations non confirmées (Eureka Machine). L’adéquation entre le titre et le contenu est bonne : le titre pose une question provocatrice, mais la vidéo y répond de manière équilibrée, concluant que Flint n’est pas un tueur pour l’instant, tout en reconnaissant ses points forts. La qualité des sources est élevée, avec des liens directs vers les ressources citées.

223 mots

Adéquation titre / contenu

Le titre est volontairement provocateur mais le contenu répond clairement à la question posée, en nuancant la réponse.

Qualité & fiabilité

8/10

Analyse détaillée avec données chiffrées, comparaison sur plusieurs moteurs, prise en compte des limitations, mais certaines affirmations non vérifiées (Eureka Machine) et benchmarks par l'entreprise.

Chapitres

Sources citées

Introducing Recursive Flint (Recursive launch post) — Annonce officielle du modèle avec benchmarks et spécifications.
Flint model card (Hugging Face) — Fiche technique du modèle, architecture, licences.
Recursive generation settings — Documentation indiquant que le raisonnement est toujours actif et ne doit pas être désactivé.
rec engine requirements — Prérequis matériels pour le moteur d'inférence propriétaire de Recursive.
Troubleshooting (looping) — Problèmes connus de répétition/dérive dans les agents Flint.
Unsloth GGUF (Flint) — Quantifications GGUF pour utilisation locale.
Ollama library: flint — Intégration avec Ollama.
OpenRouter (free tier) — Accès gratuit au modèle via API.
TechCrunch article on Flint launch — Article de presse sur le lancement et la méthode de construction.
Dolmario Local AI - Strix Halo test — Test indépendant comparant les tokens consommés sur 14 tâches.
AICodeKing - M4 Max context test — Mesures de vitesse selon la longueur du contexte.
AtomicAgent - Flint vs Ornith 1.5 — Comparaison de tâches agentiques avec temps de complétion.
NVFP4 in vLLM on RTX PRO 6000 (Reddit) — Test indépendant des poids NVFP4 avec score SWE-bench.

Sources concordantes

Dolmario Local AI, Strix Halo test — Confirme la faible efficacité en tokens (45k vs 2.7k) et le retard à l'achèvement malgré une vitesse par token supérieure.
AICodeKing, M4 Max context test — Mesure la chute de vitesse avec l'augmentation du contexte, corroborant la critique sur les agents codés.
AtomicAgent, Flint vs Ornith 1.5 — Montre que Flint gagne sur des tâches courtes mais perd en temps total sur certaines configurations.

Sources discordantes

Recursive launch post (benchmarks)

Apport & nouveautés

Cette vidéo apporte une perspective critique rare : elle ne se contente pas de rapporter les benchmarks officiels, mais teste les performances réelles sur des tâches concrètes, révélant que la vitesse par token ne prédit pas la vitesse par tâche en raison du raisonnement permanent. Elle offre des conseils pratiques précis pour choisir son modèle selon son matériel et son usage.

Pour aller plus loin :

Mixture of experts — Architecture expliquée qui sous-tend la vitesse de Flint.
Recursive self-improvement — Concept au cœur des ambitions de Recursive.
Richard Socher — Fondateur et profil académique, pour comprendre la crédibilité du laboratoire.

101 mots

Profil radar

Le profil radar montre des scores élevés en quantité d'informations et niveau technique, reflétant la densité des données et la précision technique. La fiabilité globale est légèrement inférieure en raison de la dépendance aux benchmarks de l'entreprise et de certaines affirmations non vérifiées, mais reste solide grâce à la multiplicité des sources indépendantes.

Fiabilité 8/10

💬 Sur les 30 commentaires analysés, le ton est globalement équilibré, avec des avis partagés sur la performance réelle de Flint. Plusieurs commentaires soulignent que l'analyse est pertinente et qu'il ne s'agit pas d'un 'killer' de Qwen, tandis que d'autres apprécient la précision des tests.