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 bahasa khusus untuk pekerjaan pemrograman. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, hasil model tetap membutuhkan pemeriksaan manusia. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.
Karakteristik yang membedakan Flint adalah ketersediaan bobot model secara terbuka. Perusahaan menyediakan 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. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Untuk perlindungan data yang lebih baik, konfigurasi alat bantu eksternal juga harus diperiksa. Dengan demikian, penggunaan model menjadi lebih terkendali.
Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit
Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Meskipun ukurannya besar, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Untuk menangani proyek pemrograman kompleks, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Untuk menjaga efektivitas, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Pendekatan tersebut mengurangi risiko model kehilangan fokus.
Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat
Recursive mengembangkan berbagai konfigurasi inferensi 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. Angka performa ini memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. Varian utama yang disediakan adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Selain itu, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Oleh karena itu, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.
Cara Menjalankan Recursive Flint secara Lokal
Pilihan penggunaan lokal yang tersedia untuk menggunakan Flint pada komputer sendiri adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai alat untuk menjalankan model bahasa pada perangkat. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Perintah ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.
Di luar penggunaan runtime tersebut, Flint tersedia melalui sejumlah platform pengoperasian model. Pilihan tersebut mencakup SGLang, Unsloth, serta llama.cpp. Untuk pengguna perangkat Apple, Recursive menyediakan runtime rec yang dioptimalkan. Runtime tersebut dikembangkan dengan perhatian pada performa Mac modern. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. 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.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Flint dioptimalkan untuk menyelesaikan tugas coding secara bertahap. Dalam skenario pengembangan, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Dengan dukungan tools yang sesuai, Flint dapat menghasilkan usulan perbaikan kode sebelum pengujian otomatis dilakukan. Di luar kegiatan debugging, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Fleksibilitas ini mendukung produktivitas pengembang. Walaupun model dapat membantu pekerjaan teknis, pengembang perlu menguji keamanan dan kompatibilitas. Langkah tersebut diperlukan untuk sistem dengan data sensitif.
Dalam pengujian performa model, Recursive melaporkan pencapaian pada pengujian agentic coding. Dalam pengujian Terminal-Bench versi 2.1, Flint mencapai tingkat keberhasilan 54,9 persen. Sementara itu, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Sebagai pertimbangan tambahan, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Dengan demikian, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal
Kehadiran model AI coding Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint dirancang memberikan inferensi cepat. Kapasitas hingga 262 ribu token serta kompatibilitas terhadap sejumlah platform inferensi menjadi nilai tambah bagi pengembang. Sebagai keunggulan penting, dukungan ekosistem open-weight mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Menurut Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Silakan bagikan pendapat Anda mengenai Flint.
