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. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut meliputi analisis basis kode, perbaikan bug, pengembangan kemampuan aplikasi, dan penulisan pengujian otomatis. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Namun demikian, keputusan akhir tetap berada pada pengembang. Kebiasaan validasi tersebut membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Pengembang mendapatkan akses terhadap 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. Kemampuan tersebut bermanfaat bagi tim yang ingin mengatur lingkungan komputasi sendiri. Meskipun model dapat dijalankan secara lokal, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, integrasi agen perlu dikelola secara aman. Dengan demikian, manfaat AI lokal dapat diperoleh secara lebih optimal.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Namun, pemrosesan setiap token melibatkan kurang lebih 2,5 miliar parameter. Perbedaan tersebut membantu mengurangi jumlah operasi komputasi. Berbeda dari pendekatan MoE, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Berkat pemilihan komponen yang selektif, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Untuk menggambarkan manfaatnya, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, panjang konteks tidak menjamin ketepatan pemahaman. Oleh karena itu, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Pendekatan tersebut membuat proses analisis lebih terarah.

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. Menurut hasil benchmark Recursive, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Dalam pengujian menggunakan sistem grafis NVIDIA, kecepatan lebih dari 150 token per detik juga dilaporkan pada sistem komputasi yang digunakan perusahaan. Hasil pengujian tersebut menjadi salah satu daya tarik pendekatan MoE. Namun demikian, performa dipengaruhi quantization dan runtime. Dengan demikian, pengguna perlu menguji konfigurasi sendiri.

Untuk mempermudah penggunaan, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang digunakan sebagai checkpoint dasar. Sebagai alternatif yang lebih ringkas, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Untuk memilih konfigurasi yang sesuai, pengguna perlu memeriksa kapasitas memori. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis untuk menggunakan Flint pada komputer sendiri adalah memanfaatkan Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Perintah ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, pengguna dapat memberikan instruksi pemrograman. Walaupun langkah dasarnya sederhana, 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. Runtime tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Walaupun integrasi tersebut bermanfaat, izin akses file dan terminal harus dikendalikan. Langkah keamanan ini penting untuk mencegah perubahan kode yang tidak diharapkan.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Recursive merancang Flint untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Model kemudian meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Di luar kegiatan debugging, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Fleksibilitas ini mendukung produktivitas pengembang. Namun demikian, pengembang perlu menguji keamanan dan kompatibilitas. Proses validasi ini diperlukan untuk sistem dengan data sensitif.

Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Dengan arsitektur Mixture-of-Experts, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kapasitas hingga 262 ribu token serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Selain itu, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, 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? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.