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
Perusahaan Recursive memperkenalkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, pengembangan kemampuan aplikasi, dan pembuatan test case. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.
Karakteristik yang membedakan Flint adalah ketersediaan bobot model secara terbuka. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, pengguna dapat menjalankan inferensi pada perangkat sendiri. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, penggunaan model menjadi lebih terkendali.
Teknologi Model AI 40 Miliar Parameter yang Efisien
Flint menggunakan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint memiliki sekitar 39,8 miliar parameter. Meskipun ukurannya besar, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Perbedaan tersebut menjadi alasan penting di balik efisiensi model. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, model berpotensi menghasilkan respons lebih cepat.
Di luar pengelolaan parameter, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, informasi dokumentasi proyek dapat disertakan bersama kode. Meski ruang informasi tersedia luas, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Dengan mempertimbangkan keterbatasan tersebut, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Pendekatan tersebut membantu meningkatkan kualitas hasil.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Kecepatan tersebut menjadi salah satu daya tarik pendekatan MoE. Walaupun benchmark menunjukkan performa tinggi, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.
Dalam menyediakan pilihan implementasi, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil bertujuan mengurangi penggunaan memori. Walaupun quantization membantu efisiensi, performa dapat berbeda berdasarkan presisi model. Sebelum melakukan instalasi, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Berkat penyesuaian perangkat dan model, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding
Salah satu cara praktis untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, pengguna dapat membuka terminal. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Apabila proses inisialisasi berhasil, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian membaca file terkait dan menyarankan perubahan sebelum hasil perubahan diperiksa melalui test. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Namun demikian, solusi tidak boleh langsung dianggap benar. Proses validasi ini penting terutama pada aplikasi produksi.
Sebagai bagian dari peluncuran Flint, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint memperoleh skor 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, metodologi pengujian harus diperiksa. Selain itu, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, benchmark sebaiknya dijadikan salah satu acuan.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Sebagai keunggulan penting, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, kode yang dihasilkan harus melalui pengujian. Seiring kemajuan TEKNOLOGI pemrograman, 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.
