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 model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya meliputi analisis basis kode, penanganan kesalahan program, penambahan fungsi perangkat lunak, dan pembuatan test case. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Untuk perlindungan data yang lebih baik, konfigurasi alat bantu eksternal juga harus diperiksa. Dengan demikian, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Meskipun ukurannya besar, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Perbedaan tersebut menjadi alasan penting di balik efisiensi model. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, informasi dokumentasi proyek dapat disertakan bersama kode. Namun demikian, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Cara penggunaan ini membuat proses analisis lebih terarah.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Perusahaan mengoptimalkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Berdasarkan pengujian yang diumumkan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada konfigurasi perangkat yang sesuai. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Selain itu, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. 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, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis 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, langkah berikutnya adalah mengakses command line. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Namun demikian, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Selain Ollama, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Pilihan tersebut mencakup llama.cpp, LM Studio, dan vLLM. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Fleksibilitas ini berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Proses validasi ini penting terutama pada aplikasi produksi.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Dalam pengujian perbaikan perangkat lunak, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Angka evaluasi tersebut berasal dari pengujian yang dilaporkan Recursive. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Berdasarkan keterbatasan evaluasi, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Dalam transformasi TEKNOLOGI perangkat lunak, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Menurut Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Silakan bagikan pendapat Anda mengenai Flint.