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?

Perusahaan Recursive memperkenalkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dioptimalkan bagi tugas pengembangan kode. Penggunaan model ini meliputi analisis basis kode, perbaikan bug, implementasi fitur, dan pembuatan test case. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, model dapat dioperasikan melalui infrastruktur lokal. Pendekatan penggunaan lokal bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, penggunaan model menjadi lebih terkendali.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.

Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Namun demikian, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, informasi yang tidak relevan sebaiknya dibatasi. Pengelolaan konteks yang tepat mengurangi risiko model kehilangan fokus.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Menurut hasil benchmark Recursive, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, 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. Salah satu pilihannya 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. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Untuk memilih konfigurasi yang sesuai, pengguna perlu memeriksa kapasitas memori. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Salah satu cara praktis untuk menjalankan Recursive Flint adalah memanfaatkan Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Walaupun langkah dasarnya sederhana, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Selain Ollama, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Dengan integrasi tersebut, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Model kemudian meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Fleksibilitas ini membantu mempercepat proses implementasi tertentu. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint memperoleh skor 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Melalui pemahaman tersebut, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, 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, dukungan ekosistem open-weight memberikan ruang pengembangan komunitas. Meski kemampuan model terus berkembang, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Mari sampaikan pengalaman menggunakan AI coding lokal.