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
Perusahaan Recursive memperkenalkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Penggunaan model ini berkaitan dengan pemahaman struktur proyek, identifikasi serta perbaikan masalah kode, implementasi fitur, dan penyusunan kode pengujian. Dengan pendekatan ini, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.
Keunggulan penting model Recursive ini adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Berkat akses terhadap bobot model, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Berkat pemahaman tersebut, penggunaan model menjadi lebih terkendali.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Melalui rancangan tersebut, model berpotensi menghasilkan respons lebih cepat.
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. Walaupun kapasitas konteks besar, 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. Pendekatan tersebut membuat proses analisis lebih terarah.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Menurut hasil benchmark Recursive, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, kecepatan lebih dari 150 token per detik juga dilaporkan pada konfigurasi perangkat yang sesuai. Angka performa ini menunjukkan potensi respons yang cepat. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Sebagai bagian dari dukungan ekosistem, 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 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, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Pilihan penggunaan lokal yang tersedia untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.
Di luar penggunaan runtime tersebut, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, model dapat diberikan kemampuan membaca file dan menjalankan tools. Namun, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Penggunaan model dalam beberapa tahapan mendukung produktivitas pengembang. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Proses validasi ini penting terutama pada aplikasi produksi.
Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencatat hasil 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Hasil tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Rilis model terbuka dari Recursive memperluas pilihan perangkat lunak bagi developer. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
