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

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut mencakup pemeriksaan repository, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Melalui distribusi model terbuka, pengguna dapat menjalankan inferensi pada perangkat sendiri. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Untuk perlindungan data yang lebih baik, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, penggunaan model menjadi lebih terkendali.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Berdasarkan spesifikasi model, Flint menggunakan total parameter mendekati 40 miliar. Namun, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Dalam model dense, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.

Di luar pengelolaan parameter, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pendekatan tersebut mengurangi risiko model kehilangan fokus.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, 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. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Namun demikian, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Dalam menyediakan pilihan implementasi, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Perangkat lunak Ollama dikenal sebagai alat untuk menjalankan model bahasa pada perangkat. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, 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 SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Dalam kebutuhan agen coding, Flint dapat dipadukan dengan OpenHands. Dengan integrasi tersebut, model dapat diberikan kemampuan membaca file dan menjalankan tools. Namun, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Flint dioptimalkan untuk menyelesaikan tugas coding secara bertahap. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Model kemudian menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta membuat unit test. Penggunaan model dalam beberapa tahapan mendukung produktivitas pengembang. Namun demikian, hasil tetap harus diperiksa secara kritis. Proses validasi ini membantu menjaga keandalan perangkat lunak.

Untuk mengevaluasi kemampuan coding, Recursive mempublikasikan hasil beberapa benchmark. 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. Karena itu, metodologi pengujian harus diperiksa. Dalam penggunaan sehari-hari, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Rilis model terbuka dari Recursive memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint dirancang memberikan inferensi cepat. Kapasitas hingga 262 ribu token serta kompatibilitas terhadap sejumlah platform inferensi menjadi nilai tambah bagi pengembang. Selain itu, lisensi Apache 2.0 mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.