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?

Recursive menghadirkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Fungsi utamanya berkaitan dengan pemahaman struktur proyek, penanganan kesalahan program, penambahan fungsi perangkat lunak, dan pembuatan test case. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, hasil model tetap membutuhkan pemeriksaan manusia. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. 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. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.

Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Berdasarkan spesifikasi model, Flint menggunakan total parameter mendekati 40 miliar. Meskipun ukurannya besar, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Perbedaan tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Di luar pengelolaan parameter, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Untuk menggambarkan manfaatnya, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint tersedia untuk lingkungan komputasi berbeda. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Angka performa ini menunjukkan potensi respons yang cepat. Meski hasilnya menarik, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Untuk mempermudah penggunaan, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang digunakan sebagai checkpoint dasar. Selain itu, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. 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. Setelah Ollama dipasang, pengguna dapat membuka terminal. Instruksi terminal ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Di luar penggunaan runtime tersebut, Flint tersedia melalui sejumlah platform pengoperasian model. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Langkah keamanan ini menjaga keamanan repository dan lingkungan kerja.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Untuk menggambarkan penggunaannya, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta menulis pengujian perangkat lunak. Fleksibilitas ini membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut membantu menjaga keandalan perangkat lunak.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Dalam pengujian perbaikan perangkat lunak, 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. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Rilis model terbuka dari Recursive menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta kompatibilitas terhadap sejumlah platform inferensi mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.