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 sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini meliputi analisis basis kode, perbaikan bug, pengembangan kemampuan aplikasi, dan pembuatan test case. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.

Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, 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. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Pada arsitektur model padat, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Namun demikian, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat mengurangi risiko model kehilangan fokus.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Perusahaan mengoptimalkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Kecepatan tersebut memberikan gambaran kemampuan inferensi lokal. Meski hasilnya menarik, hasil dapat berubah menurut jumlah token konteks. Dalam penggunaan nyata, pengguna perlu menguji konfigurasi sendiri.

Untuk mempermudah penggunaan, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Sebagai alternatif yang lebih ringkas, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Format tersebut bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, pengguna perlu memeriksa kapasitas memori. 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 menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Apabila proses inisialisasi berhasil, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Recursive merancang Flint untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, pengembang dapat meminta model menganalisis bug. Model kemudian menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta menyusun skenario pemeriksaan kode. Fleksibilitas ini membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Langkah tersebut penting terutama pada aplikasi produksi.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Sementara itu, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Dalam menilai performa sebenarnya, perbedaan lingkungan benchmark dapat memengaruhi angka. Dalam penggunaan sehari-hari, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint dirancang memberikan inferensi cepat. Kapasitas hingga 262 ribu token serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Selain itu, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meski kemampuan model terus berkembang, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, 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.