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.
Apa Itu Flint dan Mengapa Menarik bagi Developer?
Recursive menghadirkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dioptimalkan bagi tugas pengembangan kode. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, penanganan kesalahan program, implementasi fitur, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Kebiasaan validasi tersebut membantu mengurangi kemungkinan kesalahan.
Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, tidak semua laptop mampu menjalankan model dengan performa optimal. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, 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. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Namun, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.
Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. 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. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Cara penggunaan ini mengurangi risiko model kehilangan fokus.
Kecepatan Flint pada Apple Silicon dan GPU NVIDIA
Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Berdasarkan pengujian yang diumumkan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Dalam pengujian menggunakan sistem grafis NVIDIA, performa pemrosesan mencapai lebih dari 150 token setiap detik pada lingkungan pengujian tertentu. Angka performa ini menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Pilihan quantization ini membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Namun perlu diperhatikan, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Berkat penyesuaian perangkat dan model, penggunaan Flint secara lokal menjadi lebih realistis.
Panduan Menggunakan Flint melalui Ollama dan Runtime AI
Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Setelah runtime berhasil menjalankan checkpoint, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.
Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Dalam skenario pengembangan, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum pengujian otomatis dilakukan. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Kemampuan tersebut mendukung produktivitas pengembang. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.
Dalam pengujian performa model, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencatat hasil 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. Hasil tersebut merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, 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 dirancang memberikan inferensi cepat. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri mendukung berbagai kebutuhan pemrograman. Untuk penerapan yang lebih terbuka, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.
