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?
Perusahaan Recursive memperkenalkan 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. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, perbaikan bug, implementasi fitur, dan penyusunan kode pengujian. Melalui kemampuan tersebut, 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.
Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Meskipun model dapat dijalankan secara lokal, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.
Teknologi Model AI 40 Miliar Parameter yang Efisien
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, hanya sejumlah komponen ahli dilibatkan. Berkat pemilihan komponen yang selektif, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, informasi dokumentasi proyek dapat disertakan bersama kode. Meski ruang informasi tersedia luas, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Untuk mengurangi kesalahan, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Cara penggunaan ini mengurangi risiko model kehilangan fokus.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Namun demikian, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang digunakan sebagai checkpoint dasar. Selain itu, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Format tersebut bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Panduan Menggunakan Flint melalui Ollama dan Runtime AI
Metode yang dapat dipertimbangkan untuk menggunakan Flint pada komputer sendiri adalah menjalankan model melalui runtime Ollama. Perangkat lunak Ollama dikenal sebagai platform inferensi yang menyediakan pengunduhan serta eksekusi model. Setelah Ollama dipasang, pengembang bisa menjalankan jendela perintah. Penggunaan sintaks ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. 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.
Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Dengan integrasi tersebut, model dapat diberikan kemampuan membaca file dan menjalankan tools. Namun, izin akses file dan terminal harus dikendalikan. Langkah keamanan ini membantu mengurangi risiko eksekusi perintah berbahaya.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Flint dioptimalkan untuk menyelesaikan tugas coding secara bertahap. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum hasil perubahan diperiksa melalui test. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Kemampuan tersebut mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Langkah tersebut penting terutama pada aplikasi produksi.
Untuk mengevaluasi kemampuan coding, Recursive mempublikasikan hasil beberapa benchmark. Dalam pengujian Terminal-Bench versi 2.1, Flint mencatat hasil 54,9 persen. Dalam pengujian perbaikan perangkat lunak, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Angka evaluasi tersebut berasal dari pengujian yang dilaporkan Recursive. Karena itu, konfigurasi runtime perlu diperhatikan. Dalam penggunaan sehari-hari, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Rilis model terbuka dari Recursive memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka memungkinkan adopsi yang lebih fleksibel. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
