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.
Inovasi Model AI Lokal dari Recursive untuk Pemrograman Modern
Flint dikembangkan oleh Recursive sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan pembuatan test case. Berkat rancangan khusus tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, hasil model tetap membutuhkan pemeriksaan manusia. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.
Salah satu daya tarik Flint adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan 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. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Untuk perlindungan data yang lebih baik, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Dalam konfigurasi lengkapnya, Flint memiliki sekitar 39,8 miliar parameter. Namun, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Karakteristik arsitektur ini membantu mengurangi jumlah operasi komputasi. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.
Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Kapasitas tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.
Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. 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 menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah memanfaatkan Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Setelah Ollama dipasang, pengguna dapat membuka terminal. Penggunaan sintaks ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, model dapat digunakan untuk membantu analisis masalah teknis. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Untuk lingkungan pengembangan yang berbeda, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini menjaga keamanan repository dan lingkungan kerja.
Keunggulan dan Keterbatasan Model AI Coding Terbuka
Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, pengembang dapat meminta model menganalisis bug. Model kemudian menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Penggunaan model dalam beberapa tahapan mendukung produktivitas pengembang. Namun demikian, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.
Untuk mengevaluasi kemampuan coding, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Dalam pengujian perbaikan perangkat lunak, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Untuk melakukan perbandingan yang tepat, konfigurasi runtime perlu diperhatikan. Dalam penggunaan sehari-hari, 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
Peluncuran Recursive Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, lisensi Apache 2.0 memungkinkan adopsi yang lebih fleksibel. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
