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 sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Penggunaan model ini mencakup pemeriksaan repository, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan penyusunan kode pengujian. Melalui kemampuan tersebut, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Pendekatan tersebut mendukung penerapan AI secara bertanggung jawab.
Keunggulan penting model Recursive ini adalah kemampuan mengunduh dan menjalankan model secara mandiri. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Berkat akses terhadap bobot model, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Namun perlu dipahami, kebutuhan memori dan komputasi harus dipertimbangkan. Untuk perlindungan data yang lebih baik, 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
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. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Pada arsitektur model padat, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, hanya sejumlah komponen ahli dilibatkan. Berkat pemilihan komponen yang selektif, model berpotensi menghasilkan respons lebih cepat.
Di luar pengelolaan parameter, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, pengembang dianjurkan memberikan instruksi terstruktur. Sebagai langkah pendukung, referensi kode harus dipilih berdasarkan kebutuhan. Pendekatan tersebut membuat proses analisis lebih terarah.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Recursive mengembangkan berbagai konfigurasi inferensi agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada konfigurasi perangkat yang sesuai. Kecepatan tersebut menunjukkan potensi respons yang cepat. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, pengguna perlu menguji konfigurasi sendiri.
Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.
Cara Menjalankan Recursive Flint secara Lokal
Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Perangkat lunak Ollama dikenal sebagai platform inferensi yang menyediakan pengunduhan serta eksekusi model. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Apabila proses inisialisasi berhasil, model dapat digunakan untuk membantu analisis masalah teknis. Meski proses penggunaan dipermudah, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.
Untuk lingkungan pengembangan yang berbeda, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Runtime tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Perlu diingat, izin akses file dan terminal harus dikendalikan. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.
Benchmark Recursive Flint dalam Tugas Agentic Coding
Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian membaca file terkait dan menyarankan perubahan sebelum pengujian otomatis dilakukan. Selain perbaikan kesalahan, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Namun demikian, hasil tetap harus diperiksa secara kritis. Proses validasi ini membantu menjaga keandalan perangkat lunak.
Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint memperoleh skor 54,9 persen. Dalam pengujian perbaikan perangkat lunak, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Hasil tersebut berasal dari pengujian yang dilaporkan Recursive. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Dalam penggunaan sehari-hari, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Berdasarkan keterbatasan evaluasi, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Dukungan konteks panjang serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Sebagai keunggulan penting, ketersediaan bobot model terbuka mendukung penggunaan sesuai ketentuan lisensi. Meskipun hasil benchmark menunjukkan potensi, pengawasan manusia tetap diperlukan. Seiring kemajuan TEKNOLOGI pemrograman, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Dari pengalaman Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
