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
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, perbaikan bug, penambahan fungsi perangkat lunak, dan pembuatan test case. Berkat rancangan khusus tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Namun demikian, keputusan akhir tetap berada pada pengembang. Kebiasaan validasi tersebut penting untuk menjaga kualitas perangkat lunak.
Karakteristik yang membedakan Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Meskipun model dapat dijalankan secara lokal, tidak semua laptop mampu menjalankan model dengan performa optimal. Untuk perlindungan data yang lebih baik, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Sebagai langkah pendukung, referensi kode harus dipilih berdasarkan kebutuhan. Cara penggunaan ini mengurangi risiko model kehilangan fokus.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Dalam pengujian menggunakan sistem grafis NVIDIA, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Kecepatan tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Salah satu cara praktis untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Setelah Ollama dipasang, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Di luar penggunaan runtime tersebut, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini membantu mengurangi risiko eksekusi perintah berbahaya.
Keunggulan dan Keterbatasan Model AI Coding Terbuka
Recursive merancang Flint untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Model kemudian membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Langkah tersebut penting terutama pada aplikasi produksi.
Untuk mengevaluasi kemampuan coding, Recursive melaporkan pencapaian pada pengujian agentic coding. Dalam pengujian Terminal-Bench versi 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Sementara itu, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan SWE-bench Verified mencapai 74,2 persen. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Walaupun demikian, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
