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. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut mencakup pemeriksaan repository, perbaikan bug, penambahan fungsi perangkat lunak, dan penyusunan kode pengujian. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini 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 memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, konfigurasi alat bantu eksternal juga harus diperiksa. Berkat pemahaman tersebut, 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. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, 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, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Namun demikian, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, hasil inferensi disebut melampaui 150 token per detik pada konfigurasi perangkat yang sesuai. Kecepatan tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Untuk mempermudah penggunaan, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Selain itu, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Format tersebut bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Pilihan penggunaan lokal yang tersedia untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Instruksi terminal ollama run flint memulai penggunaan Flint melalui Ollama. 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.

Di luar penggunaan runtime tersebut, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut dikembangkan dengan perhatian pada performa Mac modern. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Walaupun integrasi tersebut bermanfaat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengendalian izin tersebut membantu mengurangi risiko eksekusi perintah berbahaya.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Dalam skenario pengembangan, pengembang dapat meminta model menganalisis bug. Dengan dukungan tools yang sesuai, Flint dapat menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Selain perbaikan kesalahan, Flint mendukung penyusunan fungsi baru serta menulis pengujian perangkat lunak. Fleksibilitas ini mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut membantu menjaga keandalan perangkat lunak.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint dirancang memberikan inferensi cepat. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Sebagai keunggulan penting, dukungan ekosistem open-weight memungkinkan adopsi yang lebih fleksibel. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Dalam transformasi TEKNOLOGI perangkat lunak, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.