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
Perusahaan Recursive memperkenalkan Flint sebagai model bahasa khusus untuk pekerjaan pemrograman. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Penggunaan model ini meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan penulisan pengujian otomatis. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.
Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.
Untuk menangani proyek pemrograman kompleks, Flint memiliki konfigurasi konteks sebesar 262K token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, informasi yang tidak relevan sebaiknya dibatasi. Cara penggunaan ini mengurangi risiko model kehilangan fokus.
Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat
Recursive mengembangkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Berdasarkan pengujian yang diumumkan, 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 lingkungan pengujian tertentu. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Format tersebut membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Namun perlu diperhatikan, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Sebelum melakukan instalasi, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Pilihan penggunaan lokal yang tersedia untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, pengguna dapat membuka terminal. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Selain Ollama, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Walaupun integrasi tersebut bermanfaat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini penting untuk mencegah perubahan kode yang tidak diharapkan.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian menghasilkan usulan perbaikan kode sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta membuat unit test. Fleksibilitas ini mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.
Dalam pengujian performa model, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Sementara itu, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, pengujian langsung tetap diperlukan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Rilis model terbuka dari Recursive menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, dukungan ekosistem open-weight memberikan ruang pengembangan komunitas. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
