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 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, perbaikan bug, pengembangan kemampuan aplikasi, dan pembuatan test case. Dengan pendekatan ini, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.
Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Recursive merilis Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. 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, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, konfigurasi alat bantu eksternal juga harus diperiksa. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Flint menggunakan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Sebaliknya, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Melalui rancangan tersebut, model berpotensi menghasilkan respons lebih cepat.
Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, informasi yang tidak relevan sebaiknya dibatasi. Pendekatan tersebut membuat proses analisis lebih terarah.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Recursive mengembangkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Menurut hasil benchmark Recursive, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada lingkungan pengujian tertentu. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. 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 membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Namun perlu diperhatikan, performa dapat berbeda berdasarkan presisi model. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, penggunaan Flint secara lokal menjadi lebih realistis.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai alat untuk menjalankan model bahasa pada perangkat. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Di luar penggunaan runtime tersebut, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Untuk penggunaan yang melibatkan banyak tindakan, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, model dapat diberikan kemampuan membaca file dan menjalankan tools. Walaupun integrasi tersebut bermanfaat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengawasan tersebut membantu mengurangi risiko eksekusi perintah berbahaya.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Recursive merancang Flint untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Proses validasi ini penting terutama pada aplikasi produksi.
Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Pada Terminal-Bench 2.1, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Dalam menilai performa sebenarnya, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kemampuan menangani informasi proyek yang luas serta kompatibilitas terhadap sejumlah platform inferensi mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, ketersediaan bobot model terbuka memungkinkan adopsi yang lebih fleksibel. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Dalam transformasi TEKNOLOGI perangkat lunak, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, seberapa penting privasi repository dalam memilih model AI? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
