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.

Apa Itu Flint dan Mengapa Menarik bagi Developer?

Recursive menghadirkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini mencakup pemeriksaan repository, perbaikan bug, implementasi fitur, dan penyusunan kode pengujian. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Namun demikian, kode yang dihasilkan perlu diuji sebelum digunakan. Kebiasaan validasi tersebut penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Berkat akses terhadap bobot model, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kondisi ini relevan untuk organisasi dengan kebutuhan pengendalian data. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint menggunakan total parameter mendekati 40 miliar. Namun, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Selain arsitektur MoE, Flint memiliki konfigurasi konteks sebesar 262K token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pendekatan tersebut membantu meningkatkan kualitas hasil.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada lingkungan pengujian tertentu. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Namun demikian, performa dipengaruhi quantization dan runtime. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Konfigurasi model yang tersedia adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, tersedia versi terkuantisasi 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, pengguna perlu memeriksa kapasitas memori. Berkat penyesuaian perangkat dan model, proses inferensi dapat berjalan lebih efisien.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Salah satu cara praktis untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, pengguna dapat membuka terminal. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Untuk pengguna perangkat Apple, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Recursive merancang Flint untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Model kemudian meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Selain perbaikan kesalahan, Flint berguna dalam implementasi komponen aplikasi serta membuat unit test. Penggunaan model dalam beberapa tahapan membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive melaporkan pencapaian pada pengujian agentic coding. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Dalam pengujian perbaikan perangkat lunak, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Karena itu, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint dirancang memberikan inferensi cepat. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Selain itu, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.