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
Perusahaan Recursive memperkenalkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut mencakup pemeriksaan repository, perbaikan bug, penambahan fungsi perangkat lunak, dan pembuatan test case. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini 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. Dengan ketersediaan tersebut, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, tidak semua laptop mampu menjalankan model dengan performa optimal. Untuk perlindungan data yang lebih baik, penggunaan layanan tambahan dapat memengaruhi privasi. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. 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 menjadi alasan penting di balik efisiensi model. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.
Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Namun demikian, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Dengan mempertimbangkan keterbatasan tersebut, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.
Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat
Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada lingkungan pengujian tertentu. Angka performa ini menunjukkan potensi respons yang cepat. Namun demikian, performa dipengaruhi quantization dan runtime. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Format tersebut menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Namun perlu diperhatikan, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Perintah ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Selain Ollama, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan 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. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Recursive merancang Flint untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Dengan dukungan tools yang sesuai, Flint dapat membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.
Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Karena itu, perbedaan lingkungan benchmark dapat memengaruhi angka. Dalam penggunaan sehari-hari, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.
Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak
Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal 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. Dalam transformasi TEKNOLOGI perangkat lunak, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Silakan bagikan pendapat Anda mengenai Flint.
