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 bahasa khusus untuk pekerjaan pemrograman. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut mencakup pemeriksaan repository, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.
Karakteristik yang membedakan Flint adalah ketersediaan bobot model secara terbuka. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Untuk perlindungan data yang lebih baik, integrasi agen perlu dikelola secara aman. Berkat pemahaman tersebut, penggunaan model menjadi lebih terkendali.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Pada arsitektur model padat, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.
Di luar pengelolaan parameter, 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, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Untuk menjaga efektivitas, pengembang dianjurkan memberikan instruksi terstruktur. Untuk mengurangi kesalahan, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat mengurangi risiko model kehilangan fokus.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Tim pengembang Flint menyiapkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Menurut hasil benchmark Recursive, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada konfigurasi perangkat yang sesuai. Angka performa ini memberikan gambaran kemampuan inferensi lokal. Meski hasilnya menarik, performa dipengaruhi quantization dan runtime. Dengan demikian, pengguna perlu menguji konfigurasi sendiri.
Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization 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. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Salah satu cara praktis untuk menggunakan Flint pada komputer sendiri adalah memanfaatkan Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Perintah ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Pilihan tersebut mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini penting untuk mencegah perubahan kode yang tidak diharapkan.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta membuat unit test. Penggunaan model dalam beberapa tahapan membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, pengembang perlu menguji keamanan dan kompatibilitas. Proses validasi ini penting terutama pada aplikasi produksi.
Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Hasil tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak
Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kapasitas hingga 262 ribu token serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Selain itu, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
