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.

Mengenal Recursive Flint sebagai Model AI Coding Terbuka

Perusahaan Recursive memperkenalkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini meliputi analisis basis kode, penanganan kesalahan program, penambahan fungsi perangkat lunak, dan pembuatan test case. Dengan pendekatan ini, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Namun demikian, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.

Salah satu daya tarik Flint adalah penggunaan lisensi terbuka untuk model. Recursive merilis Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kondisi ini relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Selain itu, konfigurasi alat bantu eksternal juga harus diperiksa. Dengan demikian, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Flint menggunakan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint menyimpan hampir 40 miliar parameter. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. 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 memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut memungkinkan model menerima kode dan instruksi panjang. Sebagai contoh, informasi dokumentasi proyek dapat disertakan bersama kode. Meski ruang informasi tersedia luas, panjang konteks tidak menjamin ketepatan pemahaman. Dengan mempertimbangkan keterbatasan tersebut, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, informasi yang tidak relevan sebaiknya dibatasi. Pendekatan tersebut membantu meningkatkan kualitas hasil.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Tim pengembang Flint menyiapkan dukungan pemrosesan untuk perangkat lokal agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Berdasarkan pengujian yang diumumkan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Sementara itu, performa pemrosesan mencapai lebih dari 150 token setiap detik pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Sebagai alternatif yang lebih ringkas, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Oleh karena itu, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, proses inferensi dapat berjalan lebih efisien.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan runtime yang mempermudah pengelolaan model lokal. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Penggunaan sintaks ollama run flint memulai penggunaan Flint melalui Ollama. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Namun demikian, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.

Selain Ollama, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Sistem pemrosesan lokal tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. 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. Namun, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Langkah keamanan ini menjaga keamanan repository dan lingkungan kerja.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Dengan dukungan tools yang sesuai, Flint dapat meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Fleksibilitas ini mendukung produktivitas pengembang. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive menampilkan skor evaluasi pemrograman. Pada Terminal-Bench 2.1, Flint mencatat hasil 54,9 persen. Sementara itu, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Angka evaluasi tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Untuk melakukan perbandingan yang tepat, konfigurasi runtime perlu diperhatikan. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Melalui pemahaman tersebut, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Kehadiran model AI coding Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kapasitas hingga 262 ribu token serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Sebagai keunggulan penting, lisensi Apache 2.0 mendukung penggunaan sesuai ketentuan lisensi. Walaupun demikian, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.