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.

Apa Itu Flint dan Mengapa Menarik bagi Developer?

Recursive menghadirkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, 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.

Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Pendekatan penggunaan lokal menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Untuk perlindungan data yang lebih baik, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint menggunakan total parameter mendekati 40 miliar. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, 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. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Tim pengembang Flint menyiapkan berbagai konfigurasi inferensi agar Flint tersedia untuk lingkungan komputasi berbeda. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada sistem komputasi yang digunakan perusahaan. Angka performa ini menunjukkan potensi respons yang cepat. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Untuk mempermudah penggunaan, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Cara Menjalankan Recursive Flint secara Lokal

Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah menjalankan model melalui runtime Ollama. Perangkat lunak Ollama dikenal sebagai alat untuk menjalankan model bahasa pada perangkat. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.

Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive menyediakan runtime rec yang dioptimalkan. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Walaupun integrasi tersebut bermanfaat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, pengembang dapat meminta model menganalisis bug. Model kemudian meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Kemampuan tersebut mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Dalam pengujian performa model, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Pencapaian benchmark ini perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Untuk melakukan perbandingan yang tepat, perbedaan lingkungan benchmark dapat memengaruhi angka. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Selain itu, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.