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

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, perbaikan bug, pengembangan kemampuan aplikasi, dan penyusunan kode pengujian. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Walaupun difokuskan pada coding, hasil model tetap membutuhkan pemeriksaan manusia. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.

Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Berdasarkan spesifikasi model, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut menjadi alasan penting di balik efisiensi model. Berbeda dari pendekatan MoE, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Di luar pengelolaan parameter, Flint memiliki konfigurasi konteks sebesar 262K token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Sebagai langkah pendukung, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pendekatan tersebut mengurangi risiko model kehilangan fokus.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Recursive mengembangkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, kecepatan lebih dari 150 token per detik juga dilaporkan pada lingkungan pengujian tertentu. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Namun demikian, kecepatan aktual bergantung pada perangkat keras. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Dalam menyediakan pilihan implementasi, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Melalui pemilihan versi yang tepat, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Ketika perangkat lunak Ollama sudah tersedia, pengembang bisa menjalankan jendela perintah. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.

Untuk lingkungan pengembangan yang berbeda, 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 memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Untuk penggunaan yang melibatkan banyak tindakan, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Recursive merancang Flint untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta menyusun skenario pemeriksaan kode. Penggunaan model dalam beberapa tahapan mendukung produktivitas pengembang. Namun demikian, solusi tidak boleh langsung dianggap benar. Langkah tersebut diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Dalam pengujian perbaikan perangkat lunak, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut merupakan data evaluasi menurut pengembang model. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Melalui pemahaman tersebut, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri menjadi nilai tambah bagi pengembang. Selain itu, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Walaupun demikian, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.