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 bahasa khusus untuk pekerjaan pemrograman. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Fungsi utamanya berkaitan dengan pemahaman struktur proyek, identifikasi serta perbaikan masalah kode, implementasi fitur, dan pembuatan test case. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut penting untuk menjaga kualitas perangkat lunak.

Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.

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. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Meskipun ukurannya besar, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.

Selain arsitektur MoE, Flint memiliki konfigurasi konteks sebesar 262K token. Ukuran konteks ini memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pendekatan tersebut mengurangi risiko model kehilangan fokus.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Angka performa ini memberikan gambaran kemampuan inferensi lokal. Namun demikian, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, pengguna perlu menguji konfigurasi sendiri.

Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Format tersebut 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, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis untuk menjalankan Recursive Flint adalah memanfaatkan Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Setelah Ollama dipasang, pengembang bisa menjalankan jendela perintah. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, pengguna dapat memberikan instruksi pemrograman. Meski proses penggunaan dipermudah, 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. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini dikembangkan dengan perhatian pada performa Mac modern. Dalam kebutuhan agen coding, Flint dapat dipadukan dengan OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Walaupun integrasi tersebut bermanfaat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini menjaga keamanan repository dan lingkungan kerja.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Recursive merancang Flint 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 menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Untuk mengevaluasi kemampuan coding, Recursive mempublikasikan hasil beberapa benchmark. Dalam pengujian Terminal-Bench versi 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Angka evaluasi tersebut berasal dari pengujian yang dilaporkan Recursive. Karena itu, konfigurasi runtime perlu diperhatikan. Dalam penggunaan sehari-hari, kemampuan pada proyek tertentu dapat berbeda. 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. Dengan arsitektur Mixture-of-Experts, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kapasitas hingga 262 ribu token serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Selain itu, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.