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 AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Fungsi utamanya mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, implementasi fitur, dan pembuatan test case. Dengan pendekatan ini, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, keputusan akhir tetap berada pada pengembang. Pendekatan 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 mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Melalui pengaturan yang tepat, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Pada bagian arsitektur, Flint memanfaatkan 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. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Di luar pengelolaan parameter, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pendekatan tersebut membuat proses analisis lebih terarah.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Perusahaan mengoptimalkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Pada perangkat NVIDIA tertentu, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Hasil pengujian tersebut menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dengan demikian, pengguna perlu menguji konfigurasi sendiri.
Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Konfigurasi model yang tersedia adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Namun perlu diperhatikan, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, proses inferensi dapat berjalan lebih efisien.
Cara Menjalankan Recursive Flint secara Lokal
Pilihan penggunaan lokal yang tersedia untuk menggunakan Flint pada komputer sendiri adalah menjalankan model melalui runtime Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Untuk lingkungan pengembangan yang berbeda, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Untuk penggunaan yang melibatkan banyak tindakan, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Melalui dukungan sistem agen, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Fleksibilitas ini membantu mempercepat proses implementasi tertentu. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Proses validasi ini membantu menjaga keandalan perangkat lunak.
Untuk mengevaluasi kemampuan coding, Recursive melaporkan pencapaian pada pengujian agentic coding. Pada Terminal-Bench 2.1, Flint mencatat hasil 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. Angka evaluasi tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Untuk melakukan perbandingan yang tepat, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, pengujian langsung tetap diperlukan.
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 pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Selain itu, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.
