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 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, perbaikan bug, pengembangan kemampuan aplikasi, dan penyusunan kode pengujian. Dengan pendekatan ini, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Walaupun difokuskan pada coding, kode yang dihasilkan perlu diuji sebelum digunakan. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Karakteristik yang membedakan Flint adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Dengan ketersediaan tersebut, model dapat dioperasikan melalui infrastruktur lokal. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.

Cara Kerja Recursive Flint dengan Parameter Aktif Lebih Sedikit

Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Mekanisme aktivasi terbatas tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Pada Flint, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Untuk menangani proyek pemrograman kompleks, Flint mendukung kapasitas konteks hingga 262.144 token. Kapasitas tersebut memungkinkan model menerima kode dan instruksi panjang. Untuk menggambarkan manfaatnya, informasi dokumentasi proyek dapat disertakan bersama kode. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Dengan mempertimbangkan keterbatasan tersebut, tugas sebaiknya dipecah menjadi bagian yang jelas. Untuk mengurangi kesalahan, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Tim pengembang Flint menyiapkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Kecepatan tersebut menjadi salah satu daya tarik pendekatan MoE. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Dalam menyediakan pilihan implementasi, Flint didistribusikan melalui varian presisi berbeda. Salah satu pilihannya adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Format tersebut menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Walaupun quantization membantu efisiensi, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Berkat penyesuaian perangkat dan model, proses inferensi dapat berjalan lebih efisien.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Ketika perangkat lunak Ollama sudah tersedia, pengembang bisa menjalankan jendela perintah. Perintah ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Ekosistem yang mendukung Flint mencakup SGLang, Unsloth, serta llama.cpp. Selain itu, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Perlu diingat, izin akses file dan terminal harus dikendalikan. Langkah keamanan ini membantu mengurangi risiko eksekusi perintah berbahaya.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Flint dioptimalkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Model kemudian meninjau bagian kode yang relevan sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta membuat unit test. Kemampuan tersebut membantu mempercepat proses implementasi tertentu. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Untuk mengevaluasi kemampuan coding, Recursive menampilkan skor evaluasi pemrograman. 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 skor SWE-bench Verified tercatat sebesar 74,2 persen. Pencapaian benchmark ini perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Karena itu, konfigurasi runtime perlu diperhatikan. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint memperluas pilihan perangkat lunak bagi developer. Dengan arsitektur Mixture-of-Experts, Flint dirancang memberikan inferensi cepat. 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. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Dalam transformasi TEKNOLOGI perangkat lunak, model lokal seperti Flint menawarkan alternatif terhadap layanan cloud. Dari pengalaman Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.