398億參數、每token啟用25億：Flint 進了 Ollama，但筆電跑不跑得動是另一本帳

2026年10月21日，APPI News 刊出對 Recursive 本地程式模型 Flint 的整理報導。事件本身有兩個可確認的事實：Recursive 推出面向程式代理的 Flint 模型；Ollama 的 v0.40.8-rc0 預發布版將 Flint 列入支援，指令為 ollama run flint，當時標示支援 macOS，後續 v0.40.8 正式版 release note 標題則記載 MLX 加入 Flint 支援。

規格先攤開：架構數字不等於部署成本

Flint 採混合專家架構，總參數約 398 億，每個 token 約啟用 25 億參數。啟用率約 6.3%，這個比例決定的是單次推論的運算量，不是記憶體需求。MoE 模型的全部權重仍須載入記憶體或儲存空間，實際佔用取決於量化精度、權重格式、上下文長度與推論引擎。來源報導特別提醒，參數啟用量不能單獨當成筆電所需記憶體或推論速度的保證。

這是本地模型帳本上最常被略過的一欄。雲端 API 的成本以詞元計價，本地部署的成本則前置為儲存空間、可用記憶體與等待時間，兩種計價方式的損益兩平點，取決於使用頻率與任務形態。

任務分層：先理解、後修改

Flint 的產品定位涵蓋理解陌生程式碼、追查錯誤、實作功能與撰寫測試。來源報導建議的實測順序有明確的風險梯度：先測理解任務，例如要求模型指出一個新接手模組的入口檔案與呼叫關係，由熟悉程式庫的人覆核；再測可重現的低風險錯誤修正與測試補寫。

代理模型的工作範圍不同於貼片段問答的聊天模型，它接近一個完整開發迴圈：讀檔、提出修改、執行工具、依輸出續作。這表示工具權限配置、可操作目錄邊界與版本控制紀錄都屬於部署成本的一部分。模型可能讀錯設定、改到不相關檔案或提出不安全指令，輸出驗證的工時不能省，這與AI 寫程式省下的工時須先轉成驗證帳的結論一致：省下的產出時間，有一部分會轉移到審查端。

整合斷點在介面，不在提示詞

Ollama 模型頁標示 Flint 支援工具互動與多輪推理。實際整合時，代理框架能否正確傳遞工具呼叫格式、工具結果能否放回對話，是工作流能否跑通的關鍵。模型輸出格式、框架介面或本機推論版本任一不合，流程就中斷，來源報導明言這類問題未必能靠調提示詞解決。

收束判斷

以目前可確認的資訊，Flint 的價值須由三個變數共同決定：硬體條件、任務風險層級與工具鏈相容性。macOS 使用者已有一條正式版本支撐的試用入口，其他平臺支援時程尚待後續候選版揭曉。在基準分數與實際專案驗證資料補齊之前，把 Flint 當成降低雲端依賴的選項來評估即可，先從理解型任務測起，權限邊界與人工覆核先行，是這本帳目前最穩的記法。