Recursive Rilis Flint, Model AI Coding Terbuka yang Bisa Dijalankan Secara Lokal

Perusahaan kecerdasan buatan Recursive memperkenalkan Flint pada 21 Oktober 2026 sebagai model AI coding terbuka yang dirancang untuk membantu pengembang menulis, memperbaiki, dan menguji kode secara lokal. Model ini menggunakan arsitektur Mixture-of-Experts dengan 39,8 miliar parameter, tetapi hanya mengaktifkan sekitar 2,5 miliar parameter untuk setiap token yang diproses. Pendekatan tersebut memungkinkan penggunaan komputasi yang lebih efisien dibandingkan model padat berukuran serupa. Dengan dukungan perangkat Apple Silicon dan GPU NVIDIA, Flint menawarkan alternatif bagi developer yang mengutamakan kecepatan, privasi, serta kontrol terhadap lingkungan pengembangan. Kehadirannya turut memperluas pilihan TEKNOLOGI AI coding yang dapat dijalankan tanpa selalu bergantung pada layanan cloud.

Mengenal Recursive Flint sebagai Model AI Coding Terbuka

Perusahaan Recursive memperkenalkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, perbaikan bug, penambahan fungsi perangkat lunak, dan penulisan pengujian otomatis. Dengan pendekatan ini, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Namun demikian, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.

Keunggulan penting model Recursive ini adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, integrasi agen perlu dikelola secara aman. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit

Flint menggunakan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Karakteristik arsitektur ini membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Untuk menangani proyek pemrograman kompleks, Flint memiliki konfigurasi konteks sebesar 262K token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Untuk menjaga efektivitas, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint tersedia untuk lingkungan komputasi berbeda. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.

Untuk mempermudah penggunaan, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Oleh karena itu, pengguna perlu memeriksa kapasitas memori. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Salah satu cara praktis untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Penggunaan sintaks ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut dikembangkan dengan perhatian pada performa Mac modern. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Namun demikian, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencatat hasil 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Karena itu, metodologi pengujian harus diperiksa. Selain itu, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Kehadiran model AI coding Flint memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. Kemampuan menangani informasi proyek yang luas serta pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, dukungan ekosistem open-weight memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.