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 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 berkaitan dengan pemahaman struktur proyek, penanganan kesalahan program, implementasi fitur, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Melalui pengaturan yang tepat, 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 memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, informasi dokumentasi proyek dapat disertakan bersama kode. Namun demikian, 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. Pendekatan tersebut mengurangi risiko model kehilangan fokus.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Recursive mengembangkan sejumlah pilihan menjalankan model 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, kecepatan lebih dari 150 token per detik juga dilaporkan pada konfigurasi perangkat yang sesuai. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Namun demikian, performa dipengaruhi quantization dan runtime. Dengan demikian, pengguna perlu menguji konfigurasi sendiri.

Dalam menyediakan pilihan implementasi, Flint memiliki beberapa format bobot model. 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. Format tersebut bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, pengguna perlu memeriksa kapasitas memori. Berkat penyesuaian perangkat dan model, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Cara Menjalankan Recursive Flint secara Lokal

Metode yang dapat dipertimbangkan untuk menggunakan Flint pada komputer sendiri adalah menjalankan model melalui runtime Ollama. Dalam ekosistem model AI lokal, Ollama menjadi runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Pada integrasi dengan asisten pemrograman, 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. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Flint dioptimalkan untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta membuat unit test. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Karena itu, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, benchmark sebaiknya dijadikan salah satu acuan.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. Kemampuan menangani informasi proyek yang luas serta pilihan menjalankan model pada perangkat sendiri mendukung berbagai kebutuhan pemrograman. Selain itu, dukungan ekosistem open-weight memberikan ruang pengembangan komunitas. Walaupun demikian, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Bagaimana pandangan Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.