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.

Inovasi Model AI Lokal dari Recursive untuk Pemrograman Modern

Recursive menghadirkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Fungsi utamanya mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, pengembangan kemampuan aplikasi, dan pembuatan test case. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.

Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Berkat akses terhadap bobot model, model dapat dioperasikan melalui infrastruktur lokal. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Pada arsitektur model padat, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.

Selain arsitektur MoE, Flint memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Namun demikian, panjang konteks tidak menjamin ketepatan pemahaman. Untuk menjaga efektivitas, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Sementara itu, hasil inferensi disebut melampaui 150 token per detik pada sistem komputasi yang digunakan perusahaan. Angka performa ini memberikan gambaran kemampuan inferensi lokal. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Dalam menyediakan pilihan implementasi, Flint memiliki beberapa format bobot model. Varian utama yang disediakan adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, penggunaan Flint secara lokal menjadi lebih realistis.

Cara Menjalankan Recursive Flint secara Lokal

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini penting untuk mencegah perubahan kode yang tidak diharapkan.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Flint dioptimalkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta membuat unit test. Penggunaan model dalam beberapa tahapan membantu mempercepat proses implementasi tertentu. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Langkah tersebut penting terutama pada aplikasi produksi.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint memperoleh skor 54,9 persen. Pada evaluasi lainnya, 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. Dalam menilai performa sebenarnya, perbedaan lingkungan benchmark dapat memengaruhi angka. Dalam penggunaan sehari-hari, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan

Rilis model terbuka dari Recursive menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint dirancang memberikan inferensi cepat. Kapasitas hingga 262 ribu token serta pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Selain itu, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.