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.
Mengenal Recursive Flint sebagai Model AI Coding Terbuka
Perusahaan Recursive memperkenalkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya mencakup pemeriksaan repository, penanganan kesalahan program, implementasi fitur, dan penyusunan kode pengujian. 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 ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, integrasi agen perlu dikelola secara aman. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Flint menggunakan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Di luar pengelolaan parameter, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Dengan mempertimbangkan keterbatasan tersebut, pengembang dianjurkan memberikan instruksi terstruktur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, hasil inferensi disebut melampaui 150 token per detik pada konfigurasi perangkat yang sesuai. Kecepatan tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, kecepatan aktual bergantung pada perangkat keras. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Meskipun format ringkas tersedia, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Berkat penyesuaian perangkat dan model, penggunaan Flint secara lokal menjadi lebih realistis.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Metode yang dapat dipertimbangkan untuk menjalankan Recursive 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 memulai penggunaan Flint melalui Ollama. Apabila proses inisialisasi berhasil, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Dengan integrasi tersebut, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, izin akses file dan terminal harus dikendalikan. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Untuk menggambarkan penggunaannya, pengembang dapat meminta model menganalisis bug. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta menyusun skenario pemeriksaan kode. Kemampuan tersebut membantu mempercepat proses implementasi tertentu. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut membantu menjaga keandalan perangkat lunak.
Sebagai bagian dari peluncuran Flint, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Dalam pengujian perbaikan perangkat lunak, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Untuk melakukan perbandingan yang tepat, perbedaan lingkungan benchmark dapat memengaruhi angka. Dalam penggunaan sehari-hari, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Dengan arsitektur Mixture-of-Experts, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Selain itu, lisensi Apache 2.0 memungkinkan adopsi yang lebih fleksibel. Meski kemampuan model terus berkembang, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
