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 model bahasa khusus untuk pekerjaan pemrograman. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Kemampuan tersebut meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, implementasi fitur, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut penting untuk menjaga kualitas perangkat lunak.

Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Pendekatan penggunaan lokal relevan untuk organisasi dengan kebutuhan pengendalian data. Meskipun model dapat dijalankan secara lokal, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, 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 dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Namun, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.

Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Untuk menggambarkan manfaatnya, informasi dokumentasi proyek dapat disertakan bersama kode. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Cara penggunaan ini mengurangi risiko model kehilangan fokus.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint tersedia untuk lingkungan komputasi berbeda. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.

Untuk mempermudah penggunaan, Flint didistribusikan melalui varian presisi berbeda. Konfigurasi model yang tersedia adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Sebagai alternatif yang lebih ringkas, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Format tersebut menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Oleh karena itu, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Salah satu cara praktis untuk menggunakan Flint pada komputer sendiri adalah memanfaatkan Ollama. Perangkat lunak Ollama dikenal sebagai runtime yang mempermudah pengelolaan model lokal. Setelah Ollama dipasang, pengembang bisa menjalankan jendela perintah. Instruksi terminal ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. Alternatif yang dapat digunakan mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Perlu diingat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Langkah keamanan ini membantu mengurangi risiko eksekusi perintah berbahaya.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Recursive merancang Flint untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Dengan dukungan tools yang sesuai, Flint dapat menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Namun demikian, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint memperoleh skor 54,9 persen. Dalam pengujian perbaikan perangkat lunak, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan SWE-bench Verified mencapai 74,2 persen. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Karena itu, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, 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

Kehadiran model AI coding Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Sebagai keunggulan penting, dukungan ekosistem open-weight memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Silakan bagikan pendapat Anda mengenai Flint.