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.

Apa Itu Flint dan Mengapa Menarik bagi Developer?

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dioptimalkan bagi tugas pengembangan kode. Fungsi utamanya mencakup pemeriksaan repository, perbaikan bug, pengembangan kemampuan aplikasi, dan penyusunan kode pengujian. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Namun demikian, hasil model tetap membutuhkan pemeriksaan manusia. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.

Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kondisi ini relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, tidak semua laptop mampu menjalankan model dengan performa optimal. Untuk perlindungan data yang lebih baik, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Akan tetapi, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sementara itu, mekanisme pemilihan expert menentukan jalur komputasi. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.

Selain arsitektur MoE, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut memberikan kesempatan menganalisis bagian proyek yang luas. Sebagai contoh, pengembang dapat memasukkan beberapa file terkait. Walaupun kapasitas konteks besar, model belum tentu menganalisis seluruh informasi dengan kualitas sama. Untuk menjaga efektivitas, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat mengurangi risiko model kehilangan fokus.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Berdasarkan pengujian yang diumumkan, 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 lingkungan pengujian tertentu. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Oleh sebab itu, pengguna perlu menguji konfigurasi sendiri.

Dalam menyediakan pilihan implementasi, Flint memiliki beberapa format bobot model. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Metode yang dapat dipertimbangkan untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Ketika perangkat lunak Ollama sudah tersedia, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, pengguna dapat memberikan instruksi pemrograman. Meski proses penggunaan dipermudah, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, tugas pengembangan dapat dikelola melalui beberapa langkah. Namun, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Langkah keamanan ini menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Recursive merancang Flint untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Untuk menggambarkan penggunaannya, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum hasil perubahan diperiksa melalui test. Di luar kegiatan debugging, Flint dapat membantu menambahkan fitur serta membuat unit test. Kemampuan tersebut mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Pengawasan kualitas tersebut diperlukan untuk sistem dengan data sensitif.

Sebagai bagian dari peluncuran Flint, Recursive mempublikasikan hasil beberapa benchmark. Dalam pengujian Terminal-Bench versi 2.1, Flint mencatat hasil 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. Angka evaluasi tersebut merupakan data evaluasi menurut pengembang model. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Peluncuran Recursive Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kemampuan menangani informasi proyek yang luas serta kompatibilitas terhadap sejumlah platform inferensi mendukung berbagai kebutuhan pemrograman. Selain itu, lisensi Apache 2.0 mendukung penggunaan sesuai ketentuan lisensi. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Dari pengalaman Anda, seberapa penting privasi repository dalam memilih model AI? Silakan bagikan pendapat Anda mengenai Flint.