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
Flint dikembangkan oleh Recursive sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, implementasi fitur, dan penyusunan kode pengujian. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Kebiasaan validasi tersebut membantu mengurangi kemungkinan kesalahan.
Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Pendekatan penggunaan lokal relevan untuk organisasi dengan kebutuhan pengendalian data. Meskipun model dapat dijalankan secara lokal, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Berkat pemahaman tersebut, penggunaan model menjadi lebih terkendali.
Teknologi Model AI 40 Miliar Parameter yang Efisien
Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Tim pengembang Flint menyiapkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada konfigurasi perangkat yang sesuai. Angka performa ini menunjukkan potensi respons yang cepat. Meski hasilnya menarik, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, pengguna perlu menguji konfigurasi sendiri.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, pengguna perlu memeriksa kapasitas memori. Berkat penyesuaian perangkat dan model, proses inferensi dapat berjalan lebih efisien.
Cara Menjalankan Recursive Flint secara Lokal
Salah satu cara praktis untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, developer bisa mengajukan pertanyaan tentang kode. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Walaupun integrasi tersebut bermanfaat, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Flint dioptimalkan untuk menyelesaikan tugas coding secara bertahap. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut diperlukan untuk sistem dengan data sensitif.
Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, 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. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kemampuan menangani informasi proyek yang luas serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Selain itu, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, pengawasan manusia tetap diperlukan. Dalam transformasi TEKNOLOGI perangkat lunak, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.
