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. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Fungsi utamanya mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan pembuatan test case. Berkat rancangan khusus tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.
Keunggulan penting model Recursive ini adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Di luar pengelolaan parameter, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.
Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat
Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint tersedia untuk lingkungan komputasi berbeda. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Pada perangkat NVIDIA tertentu, kecepatan lebih dari 150 token per detik juga dilaporkan pada konfigurasi perangkat yang sesuai. Hasil pengujian tersebut menjadi salah satu daya tarik pendekatan MoE. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Dalam penggunaan nyata, pengguna perlu menguji konfigurasi sendiri.
Dalam menyediakan pilihan implementasi, Flint memiliki beberapa format bobot model. Konfigurasi model yang tersedia adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.
Cara Menjalankan Recursive Flint secara Lokal
Salah satu cara praktis untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Walaupun langkah dasarnya sederhana, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.
Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Sistem pemrosesan lokal tersebut ditujukan untuk perangkat Apple Silicon tertentu. Untuk penggunaan yang melibatkan banyak tindakan, model mendukung penggunaan melalui sistem agen seperti OpenHands. Dengan integrasi tersebut, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Walaupun integrasi tersebut bermanfaat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.
Keunggulan dan Keterbatasan Model AI Coding Terbuka
Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Dengan dukungan tools yang sesuai, Flint dapat membaca file terkait dan menyarankan perubahan sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Kemampuan tersebut membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut diperlukan untuk sistem dengan data sensitif.
Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Dalam pengujian Terminal-Bench versi 2.1, Flint mencapai tingkat keberhasilan 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 merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, pengujian langsung tetap diperlukan.
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. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Untuk penerapan yang lebih terbuka, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, 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.
