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. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Fungsi utamanya berkaitan dengan pemahaman struktur proyek, identifikasi serta perbaikan masalah kode, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Namun demikian, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.

Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. 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, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini memungkinkan model menerima kode dan instruksi panjang. Untuk menggambarkan manfaatnya, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Untuk mengurangi kesalahan, informasi yang tidak relevan sebaiknya dibatasi. Cara penggunaan ini membuat proses analisis lebih terarah.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Perusahaan mengoptimalkan 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, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Kecepatan tersebut menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.

Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Melalui pemilihan versi yang tepat, penggunaan Flint secara lokal menjadi lebih realistis.

Cara Menjalankan Recursive Flint secara Lokal

Metode yang dapat dipertimbangkan untuk menggunakan Flint pada komputer sendiri adalah menjalankan model melalui runtime Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, model dapat digunakan untuk membantu analisis masalah teknis. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive menyediakan runtime rec yang dioptimalkan. 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. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum hasil perubahan diperiksa melalui test. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Kemampuan tersebut mendukung produktivitas pengembang. Namun demikian, solusi tidak boleh langsung dianggap benar. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Untuk melakukan perbandingan yang tepat, perbedaan lingkungan benchmark dapat memengaruhi angka. Sebagai pertimbangan tambahan, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Rilis model terbuka dari Recursive memperluas pilihan perangkat lunak bagi developer. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri mendukung berbagai kebutuhan pemrograman. Sebagai keunggulan penting, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.