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
Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dioptimalkan bagi tugas pengembangan kode. Fungsi utamanya mencakup pemeriksaan repository, perbaikan bug, implementasi fitur, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.
Salah satu daya tarik Flint adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Sebagai hal yang perlu diperhatikan, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.
Teknologi Model AI 40 Miliar Parameter yang Efisien
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Berdasarkan spesifikasi model, Flint menggunakan total parameter mendekati 40 miliar. 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, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, informasi dokumentasi proyek dapat disertakan bersama kode. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Untuk menjaga efektivitas, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint tersedia untuk lingkungan komputasi berbeda. Berdasarkan pengujian yang diumumkan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Angka performa ini menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, pengguna perlu menguji konfigurasi sendiri.
Dalam menyediakan pilihan implementasi, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Sebagai alternatif yang lebih ringkas, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, proses inferensi dapat berjalan lebih efisien.
Cara Menjalankan Recursive Flint secara Lokal
Pilihan penggunaan lokal yang tersedia untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, pengguna dapat membuka terminal. Perintah ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.
Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Perlu diingat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Flint dioptimalkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Dengan dukungan tools yang sesuai, Flint dapat membaca file terkait dan menyarankan perubahan sebelum pengujian otomatis dilakukan. Selain perbaikan kesalahan, Flint mendukung penyusunan fungsi baru serta menulis pengujian perangkat lunak. Fleksibilitas ini mendukung produktivitas pengembang. Walaupun model dapat membantu pekerjaan teknis, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.
Untuk mengevaluasi kemampuan coding, 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 skor SWE-bench Verified tercatat sebesar 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Karena itu, metodologi pengujian harus diperiksa. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Dengan demikian, pengujian langsung tetap diperlukan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint dirancang memberikan inferensi cepat. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal memberikan fleksibilitas dalam penggunaan. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, pengawasan manusia tetap diperlukan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
