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 sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. 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, implementasi fitur, dan pembuatan test case. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, hasil model tetap membutuhkan pemeriksaan manusia. Kebiasaan validasi tersebut membantu mengurangi kemungkinan kesalahan.
Karakteristik yang membedakan Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, 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, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, pengembang dianjurkan memberikan instruksi terstruktur. Untuk mengurangi kesalahan, informasi yang tidak relevan sebaiknya dibatasi. Pendekatan tersebut mengurangi risiko model kehilangan fokus.
Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat
Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Menurut hasil benchmark Recursive, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada konfigurasi perangkat yang sesuai. Angka performa ini menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, kecepatan aktual bergantung pada perangkat keras. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Oleh karena itu, pengguna perlu memeriksa kapasitas memori. Berkat penyesuaian perangkat dan model, proses inferensi dapat berjalan lebih efisien.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Metode yang dapat dipertimbangkan untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Setelah Ollama dipasang, pengguna dapat membuka terminal. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. 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 SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive menyediakan runtime rec yang dioptimalkan. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Walaupun integrasi tersebut bermanfaat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Flint dioptimalkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Dalam skenario pengembangan, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta membuat unit test. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Proses validasi ini diperlukan untuk sistem dengan data sensitif.
Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Dalam pengujian perbaikan perangkat lunak, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Dalam menilai performa sebenarnya, perbedaan lingkungan benchmark dapat memengaruhi angka. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Mari sampaikan pengalaman menggunakan AI coding lokal.
