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

Perusahaan Recursive memperkenalkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dioptimalkan bagi tugas pengembangan kode. Kemampuan tersebut mencakup pemeriksaan repository, perbaikan bug, implementasi fitur, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. 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 membantu mengurangi jumlah operasi komputasi. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Dalam penggunaan praktis, informasi dokumentasi proyek dapat disertakan bersama kode. Meski ruang informasi tersedia luas, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Tim pengembang Flint menyiapkan sejumlah pilihan menjalankan model agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Pada perangkat NVIDIA tertentu, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut menjadi salah satu daya tarik pendekatan MoE. Meski hasilnya menarik, kecepatan aktual bergantung pada perangkat keras. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Untuk mempermudah penggunaan, 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 bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. 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

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Perangkat lunak Ollama dikenal sebagai runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Meski proses penggunaan dipermudah, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Untuk lingkungan pengembangan yang berbeda, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Selain itu, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Dengan integrasi tersebut, model dapat diberikan kemampuan membaca file dan menjalankan tools. Walaupun integrasi tersebut bermanfaat, 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, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Melalui integrasi agen, sistem bisa meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint mendukung penyusunan fungsi baru serta membuat unit test. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Walaupun model dapat membantu pekerjaan teknis, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. Dalam pengujian Terminal-Bench versi 2.1, Flint mencatat hasil 54,9 persen. Sementara itu, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Rilis model terbuka dari Recursive memperluas pilihan perangkat lunak bagi developer. Berkat desain model MoE yang efisien, Flint dirancang memberikan inferensi cepat. Kapasitas hingga 262 ribu token serta integrasi dengan berbagai runtime lokal memberikan fleksibilitas dalam penggunaan. Selain itu, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Walaupun demikian, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Bagaimana pandangan Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.