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.

Inovasi Model AI Lokal dari Recursive untuk Pemrograman Modern

Perusahaan Recursive memperkenalkan Flint sebagai model bahasa khusus untuk pekerjaan pemrograman. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, identifikasi serta perbaikan masalah kode, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Karakteristik yang membedakan Flint adalah ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pengguna dapat menjalankan inferensi pada perangkat sendiri. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Meskipun model dapat dijalankan secara lokal, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Berdasarkan spesifikasi model, Flint menyimpan hampir 40 miliar parameter. Namun, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Karakteristik arsitektur ini menjadi alasan penting di balik efisiensi model. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Untuk menggambarkan manfaatnya, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Cara penggunaan ini membantu meningkatkan kualitas hasil.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang digunakan sebagai checkpoint dasar. Selain itu, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, pengguna perlu memeriksa kapasitas memori. Berkat penyesuaian perangkat dan model, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Pilihan penggunaan lokal yang tersedia untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint memulai penggunaan Flint melalui Ollama. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Di luar penggunaan runtime tersebut, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini dikembangkan dengan perhatian pada performa Mac modern. Dalam kebutuhan agen coding, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Namun, izin akses file dan terminal harus dikendalikan. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Dalam skenario pengembangan, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Dengan dukungan tools yang sesuai, Flint dapat menghasilkan usulan perbaikan kode sebelum hasil perubahan diperiksa melalui test. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta menyusun skenario pemeriksaan kode. Kemampuan tersebut mendukung produktivitas pengembang. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut membantu menjaga keandalan perangkat lunak.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Dalam penggunaan sehari-hari, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.