Flint开源：39.8B参数编程模型，每Token激活2.5B
从补全一段函数，到根据自然语言生成完整项目，代码模型正在不断降低软件开发的门槛。但真正的软件开发并不只是写出一段能运行的代码，理解已有项目结构、定位 Bug、修改多个文件、运行测试，再根据报错继续调整——这些环节往往需要模型具备更完整的代码理解和任务执行能力。可以说，生成代码只是第一步，让 AI 真正参与开...
Recursive开源的
Flint就是冲着Coding Agent场景来的语言模型：它能读懂代码库、修Bug、加新功能、写测试，还支持多轮推理和工具调用。架构上采用Decoder-only Mixture-of-Experts（MoE），总参数39.8B，每个Token实际激活约2.5B。其MoE层里，每个Token从256个路由专家中挑6个，另配1个始终激活的共享专家。这样模型总体规模留得够大，单个Token推理时要调用的参数却压了下来。
MoE在算力效率上的思路也在这里：靠路由机制按当前输入挑选合适的专家参与计算，模型容量保住了，每个Token需要激活的参数量却少了。Agent任务要反复做代码分析、推理和工具调用，这种设计对控制推理阶段的开销有帮助。
能力层面，Flint支持多轮对话、推理与工具调用。Recursive公布的评测结果显示，模型在SWE-bench Pro v2上拿到89.7%，SWE-bench Verified上为74.2%，Terminal-Bench 2.1上为54.9%，软件工程任务和终端操作场景中的表现由此可以看出。Flint的定位并非只帮你补下一行代码，它想当的是能理解开发任务、调用工具、持续推进问题解决的Coding Agent底层模型。
HyperAI教程板块已经上线「Flint：面向 Coding Agent 的混合专家大语言模型」。用户可借教程了解模型的加载与推理流程，并上手体验代码生成、推理及工具调用。
从生成一段代码到参与解决一个完整开发任务，Coding Agent正把AI从代码助手往开发协作者的方向推。
在线运行：
https://go.hyper.ai/15fN2
更多在线教程：
https://hyper.ai/notebooks
demo 页面
先看运行效果。
在 hyper.ai 首页点进「教程」页面，也可以点「查看更多教程」，找到「Flint：面向 Coding Agent 的混合专家大语言模型」，再点「运行此教程」。页面跳转之后，点右上角的「Clone」，把这个教程克隆到自己的容器里。
页面右上角能切换语言，现在有中文和英文两种，教程里的步骤以英文界面演示。
接着选「NVIDIA H100 x2」和对应镜像，点「Continue job execution（继续执行）」。等资源分配完成，状态显示「Running（运行中）」后，点「Open Workspace」进入 Jupyter Workspace。
效果展示
2. 等运行结束，打开一个新终端，用下面这条命令启动 Open WebUI。
3. 启动完成后，点一下右侧的 API 地址，就能在浏览器里打开 Open WebUI 界面。
运行示例
