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. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini berkaitan dengan pemahaman struktur proyek, penanganan kesalahan program, implementasi fitur, dan penyusunan kode pengujian. Berkat rancangan khusus tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, kode yang dihasilkan perlu diuji sebelum digunakan. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.
Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. 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, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, 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
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.
Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, informasi dokumentasi proyek dapat disertakan bersama kode. Namun demikian, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, referensi kode harus dipilih berdasarkan kebutuhan. Cara penggunaan ini membantu meningkatkan kualitas hasil.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. 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, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, pengguna perlu memeriksa kapasitas memori. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.
Untuk lingkungan pengembangan yang berbeda, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut ditujukan untuk perangkat Apple Silicon tertentu. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Dengan integrasi tersebut, tugas pengembangan dapat dikelola melalui beberapa langkah. Walaupun integrasi tersebut bermanfaat, izin akses file dan terminal harus dikendalikan. Langkah keamanan ini penting untuk mencegah perubahan kode yang tidak diharapkan.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Model kemudian membaca file terkait dan menyarankan perubahan sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Fleksibilitas ini mendukung produktivitas pengembang. Walaupun model dapat membantu pekerjaan teknis, solusi tidak boleh langsung dianggap benar. Proses validasi ini penting terutama pada aplikasi produksi.
Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Dalam pengujian Terminal-Bench versi 2.1, Flint mencatat hasil 54,9 persen. Dalam pengujian perbaikan perangkat lunak, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Hasil tersebut merupakan data evaluasi menurut pengembang model. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Dalam penggunaan sehari-hari, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, 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 dirancang memberikan inferensi cepat. Dukungan konteks panjang serta kompatibilitas terhadap sejumlah platform inferensi mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
