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.

Apa Itu Flint dan Mengapa Menarik bagi Developer?

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Penggunaan model ini mencakup pemeriksaan repository, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, keputusan akhir tetap berada pada pengembang. Kebiasaan validasi tersebut penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut 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, integrasi agen perlu dikelola secara aman. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Perbedaan tersebut menjadi alasan penting di balik efisiensi model. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint memiliki konfigurasi konteks sebesar 262K token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, 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, informasi yang tidak relevan sebaiknya dibatasi. Pendekatan tersebut mengurangi risiko model kehilangan fokus.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan berbagai konfigurasi inferensi agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Sementara itu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Angka performa ini menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Sebagai bagian dari dukungan ekosistem, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Format tersebut membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Berkat penyesuaian perangkat dan model, proses inferensi dapat berjalan lebih efisien.

Cara Menjalankan Recursive Flint secara Lokal

Pilihan penggunaan lokal yang tersedia untuk menjalankan Recursive Flint adalah menjalankan model melalui runtime Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, model dapat digunakan untuk membantu analisis masalah teknis. Walaupun langkah dasarnya sederhana, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Di luar penggunaan runtime tersebut, Flint tersedia melalui sejumlah platform pengoperasian model. Alternatif yang dapat digunakan mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Dengan integrasi tersebut, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Kemampuan tersebut membantu mempercepat proses implementasi tertentu. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Langkah tersebut penting terutama pada aplikasi produksi.

Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, 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. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kapasitas hingga 262 ribu token serta kompatibilitas terhadap sejumlah platform inferensi menjadi nilai tambah bagi pengembang. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Seiring kemajuan TEKNOLOGI pemrograman, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, seberapa penting privasi repository dalam memilih model AI? Silakan bagikan pendapat Anda mengenai Flint.