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 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. Fungsi utamanya meliputi analisis basis kode, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, hasil model tetap membutuhkan pemeriksaan manusia. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.
Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kondisi ini relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Dalam konfigurasi lengkapnya, Flint memiliki sekitar 39,8 miliar parameter. Namun, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. 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, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Cara penggunaan ini membuat proses analisis lebih terarah.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. 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. Kecepatan tersebut memberikan gambaran kemampuan inferensi lokal. Meski hasilnya menarik, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil 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, proses inferensi dapat berjalan lebih efisien.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Pilihan penggunaan lokal yang tersedia untuk menggunakan Flint pada komputer sendiri adalah memanfaatkan Ollama. Perangkat lunak Ollama dikenal sebagai alat untuk menjalankan model bahasa pada perangkat. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. 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.
Untuk lingkungan pengembangan yang berbeda, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Runtime tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Walaupun integrasi tersebut bermanfaat, izin akses file dan terminal harus dikendalikan. Pengawasan 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. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Fleksibilitas ini mendukung produktivitas pengembang. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Proses validasi ini membantu menjaga keandalan perangkat lunak.
Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint memperoleh skor 54,9 persen. Dalam pengujian perbaikan perangkat lunak, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Sebagai keunggulan penting, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Mari sampaikan pengalaman menggunakan AI coding lokal.
