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
Recursive menghadirkan 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, perbaikan bug, penambahan fungsi perangkat lunak, dan pembuatan test case. Dengan pendekatan ini, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.
Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Melalui distribusi model terbuka, model dapat dioperasikan melalui infrastruktur lokal. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. 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
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, seluruh lapisan utama digunakan secara lebih menyeluruh. Pada Flint, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, 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 menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Pada perangkat NVIDIA tertentu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Meski hasilnya menarik, performa dipengaruhi quantization dan runtime. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.
Untuk mempermudah penggunaan, Flint memiliki beberapa format bobot model. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Panduan Menggunakan Flint melalui Ollama dan Runtime AI
Salah satu cara praktis untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, pengembang bisa menjalankan jendela perintah. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Namun demikian, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.
Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini dikembangkan dengan perhatian pada performa Mac modern. Untuk penggunaan yang melibatkan banyak tindakan, model mendukung penggunaan melalui sistem agen seperti 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 membantu mengurangi risiko eksekusi perintah berbahaya.
Keunggulan dan Keterbatasan Model AI Coding Terbuka
Recursive merancang Flint untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Fleksibilitas ini berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.
Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Dalam pengujian Terminal-Bench versi 2.1, Flint memperoleh skor 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, 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 pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Untuk penerapan yang lebih terbuka, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
