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
Flint dikembangkan oleh Recursive sebagai model bahasa khusus untuk pekerjaan pemrograman. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya mencakup pemeriksaan repository, penanganan kesalahan program, penambahan fungsi perangkat lunak, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, kode yang dihasilkan perlu diuji sebelum digunakan. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.
Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Pendekatan penggunaan lokal relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Untuk menggambarkan manfaatnya, informasi dokumentasi proyek dapat disertakan bersama kode. Namun demikian, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. 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
Tim pengembang Flint menyiapkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Dalam pengujian menggunakan sistem grafis NVIDIA, hasil inferensi disebut melampaui 150 token per detik pada sistem komputasi yang digunakan perusahaan. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Salah satu pilihannya adalah BF16 yang digunakan sebagai checkpoint dasar. Selain itu, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Format tersebut membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi runtime yang mempermudah pengelolaan model lokal. Ketika perangkat lunak Ollama sudah tersedia, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Namun demikian, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.
Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Dengan integrasi tersebut, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.
Keunggulan dan Keterbatasan Model AI Coding Terbuka
Recursive merancang Flint untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Sebagai contoh, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut membantu menjaga keandalan perangkat lunak.
Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencatat hasil 54,9 persen. Sementara itu, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Dalam menilai performa sebenarnya, metodologi pengujian harus diperiksa. Dalam penggunaan sehari-hari, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kapasitas hingga 262 ribu token serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memungkinkan adopsi yang lebih fleksibel. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Di tengah perkembangan TEKNOLOGI AI, 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.
