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
Recursive menghadirkan 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, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan penyusunan kode pengujian. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut membantu mengurangi kemungkinan kesalahan.
Karakteristik yang membedakan Flint adalah kemampuan mengunduh dan menjalankan model secara mandiri. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Berkat akses terhadap bobot model, pengguna dapat menjalankan inferensi pada perangkat sendiri. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.
Spesifikasi Flint dengan Arsitektur Mixture-of-Experts
Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint menggunakan total parameter mendekati 40 miliar. Namun, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, inferensi menjadi lebih efisien pada perangkat yang mendukung.
Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Untuk menggambarkan manfaatnya, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Cara penggunaan ini membantu meningkatkan kualitas hasil.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Menurut hasil benchmark Recursive, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Dalam pengujian menggunakan sistem grafis NVIDIA, 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. Namun demikian, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Sebagai bagian dari dukungan ekosistem, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Selain itu, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Format tersebut membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. 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
Salah satu cara praktis untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini dikembangkan dengan perhatian pada performa Mac modern. Untuk penggunaan yang melibatkan banyak tindakan, model mendukung penggunaan melalui sistem agen seperti OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Namun demikian, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.
Dalam pengujian performa model, Recursive melaporkan pencapaian pada pengujian agentic coding. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Sementara itu, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Dengan demikian, pengujian langsung tetap diperlukan.
Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak
Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Selain itu, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, kode yang dihasilkan harus melalui pengujian. Di tengah perkembangan TEKNOLOGI AI, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.
