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

Recursive menghadirkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Penggunaan model ini mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, implementasi fitur, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Pendekatan tersebut penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. 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. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. 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, beban inferensi melibatkan bagian model yang lebih luas. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, kebutuhan operasi dapat ditekan.

Selain arsitektur MoE, Flint mendukung kapasitas konteks hingga 262.144 token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat mengurangi risiko model kehilangan fokus.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, 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. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dalam penggunaan nyata, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, pengguna perlu memeriksa kapasitas memori. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Untuk lingkungan pengembangan yang berbeda, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Dengan integrasi tersebut, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini membantu mengurangi risiko eksekusi perintah berbahaya.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Dalam skenario pengembangan, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta menyusun skenario pemeriksaan kode. Penggunaan model dalam beberapa tahapan membantu mempercepat proses implementasi tertentu. Namun demikian, hasil tetap harus diperiksa secara kritis. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Dalam pengujian Terminal-Bench versi 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Pada evaluasi lainnya, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan SWE-bench Verified mencapai 74,2 persen. Hasil tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.

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 kompatibilitas terhadap sejumlah platform inferensi menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Bagaimana pandangan Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.