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?

Perusahaan Recursive memperkenalkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya meliputi analisis basis kode, identifikasi serta perbaikan masalah kode, pengembangan kemampuan aplikasi, dan pembuatan test case. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Walaupun difokuskan pada coding, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Keunggulan penting model Recursive ini adalah penggunaan lisensi terbuka untuk model. Perusahaan menyediakan 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. Kondisi ini menarik bagi pengembang yang menangani kode sensitif. Meskipun model dapat dijalankan secara lokal, kebutuhan memori dan komputasi harus dipertimbangkan. Untuk perlindungan data yang lebih baik, integrasi agen perlu dikelola secara aman. Melalui pengaturan yang tepat, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Flint menggunakan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint menggunakan total parameter mendekati 40 miliar. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Mekanisme aktivasi terbatas tersebut membantu mengurangi jumlah operasi komputasi. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Pada Flint, hanya sejumlah komponen ahli dilibatkan. Dengan pendekatan ini, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint memiliki konfigurasi konteks sebesar 262K token. Ruang pemrosesan informasi tersebut memungkinkan model menerima kode dan instruksi panjang. Dalam penggunaan praktis, pengembang dapat memasukkan beberapa file terkait. Meski ruang informasi tersedia luas, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, referensi kode harus dipilih berdasarkan kebutuhan. Pengelolaan konteks yang tepat membuat proses analisis lebih terarah.

Kecepatan Flint pada Apple Silicon dan GPU NVIDIA

Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Berdasarkan pengujian yang diumumkan, Flint mencapai kecepatan di atas 125 token per detik pada perangkat M4 Pro. Dalam pengujian menggunakan sistem grafis NVIDIA, performa pemrosesan mencapai lebih dari 150 token setiap detik pada sistem komputasi yang digunakan perusahaan. Angka performa ini memberikan gambaran kemampuan inferensi lokal. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Dalam menyediakan pilihan implementasi, Flint memiliki beberapa format bobot model. Varian utama yang disediakan adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Untuk mengurangi kebutuhan memori, tersedia versi terkuantisasi seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Untuk memilih konfigurasi yang sesuai, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Berkat penyesuaian perangkat dan model, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Langkah Awal Mengintegrasikan Model Flint ke Alur Kerja Coding

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Perangkat lunak Ollama dikenal sebagai runtime yang mempermudah pengelolaan model lokal. Sesudah lingkungan lokal dipersiapkan, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Setelah runtime berhasil menjalankan checkpoint, developer bisa mengajukan pertanyaan tentang kode. Namun demikian, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup llama.cpp, LM Studio, dan vLLM. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut dikembangkan dengan perhatian pada performa Mac modern. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Berkat penggunaan perangkat lunak pendamping, model dapat diberikan kemampuan membaca file dan menjalankan tools. Walaupun integrasi tersebut bermanfaat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk membantu aktivitas rekayasa perangkat lunak yang kompleks. Dalam skenario pengembangan, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta membuat unit test. Fleksibilitas ini mendukung produktivitas pengembang. Namun demikian, hasil tetap harus diperiksa secara kritis. Langkah tersebut diperlukan untuk sistem dengan data sensitif.

Dalam pengujian performa model, Recursive mempublikasikan hasil beberapa benchmark. Pada Terminal-Bench 2.1, Flint memperoleh skor 54,9 persen. Dalam pengujian perbaikan perangkat lunak, hasil SWE-bench Pro v2 mencapai 89,7 persen, sedangkan SWE-bench Verified mencapai 74,2 persen. Pencapaian benchmark ini merupakan data evaluasi menurut pengembang model. Untuk melakukan perbandingan yang tepat, metodologi pengujian harus diperiksa. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, benchmark sebaiknya dijadikan salah satu acuan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Peluncuran Recursive Flint menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Dukungan konteks panjang serta integrasi dengan berbagai runtime lokal mendukung berbagai kebutuhan pemrograman. Sebagai keunggulan penting, ketersediaan bobot model terbuka memungkinkan adopsi yang lebih fleksibel. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Silakan bagikan pendapat Anda mengenai Flint.