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 dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Namun demikian, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.

Karakteristik yang membedakan Flint adalah ketersediaan bobot model secara terbuka. Recursive merilis Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, kebutuhan memori dan komputasi harus dipertimbangkan. Selain itu, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Flint menggunakan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Berdasarkan spesifikasi model, Flint memiliki sekitar 39,8 miliar parameter. Namun, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Pada Flint, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.

Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. Namun demikian, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Oleh karena itu, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Tim pengembang Flint menyiapkan 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, performa pemrosesan mencapai lebih dari 150 token setiap detik pada lingkungan pengujian tertentu. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Dengan demikian, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

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, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, pengguna perlu memeriksa kapasitas memori. Melalui pemilihan versi yang tepat, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis untuk menjalankan Recursive 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. Penggunaan sintaks ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Ketika model selesai dimuat, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Untuk pengguna perangkat Apple, Recursive menyediakan runtime rec yang dioptimalkan. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, model dapat diberikan kemampuan membaca file dan menjalankan tools. Namun, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Flint dioptimalkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum hasil perubahan diperiksa melalui test. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta membuat unit test. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Proses validasi ini membantu menjaga keandalan perangkat lunak.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 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. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Karena itu, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.

Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan

Kehadiran model AI coding Flint memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kapasitas hingga 262 ribu token serta pilihan menjalankan model pada perangkat sendiri mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Menurut Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Silakan bagikan pendapat Anda mengenai Flint.