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 bahasa khusus untuk pekerjaan pemrograman. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dioptimalkan bagi tugas pengembangan kode. Penggunaan model ini meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan pembuatan test case. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Melalui distribusi model terbuka, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Namun perlu dipahami, kebutuhan memori dan komputasi harus dipertimbangkan. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Berdasarkan spesifikasi model, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Pada Flint, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, kebutuhan operasi dapat ditekan.

Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pendekatan tersebut membuat proses analisis lebih terarah.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Perusahaan mengoptimalkan berbagai konfigurasi inferensi agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Namun demikian, hasil dapat berubah menurut jumlah token konteks. 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. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, performa dapat berbeda berdasarkan presisi model. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Perangkat lunak Ollama dikenal sebagai platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Apabila proses inisialisasi berhasil, pengguna dapat memberikan instruksi pemrograman. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. 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. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Dengan integrasi tersebut, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Perlu diingat, 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 menyelesaikan tugas coding secara bertahap. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta membuat unit test. Fleksibilitas ini membantu mempercepat proses implementasi tertentu. Walaupun model dapat membantu pekerjaan teknis, solusi tidak boleh langsung dianggap benar. Langkah tersebut membantu menjaga keandalan perangkat lunak.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint memperoleh skor 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. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Karena itu, metodologi pengujian harus diperiksa. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan

Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, ketersediaan bobot model terbuka memungkinkan adopsi yang lebih fleksibel. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.