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?

Recursive menghadirkan Flint sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Penggunaan model ini mencakup pemeriksaan repository, penanganan kesalahan program, penambahan fungsi perangkat lunak, dan penyusunan kode pengujian. Dengan pendekatan ini, tim perangkat lunak memiliki alternatif untuk mempercepat pekerjaan. Meski menawarkan kemampuan luas, kode yang dihasilkan perlu diuji sebelum digunakan. Kebiasaan validasi tersebut mendukung penerapan AI secara bertanggung jawab.

Salah satu daya tarik Flint adalah ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang memungkinkan integrasi dalam proyek yang sesuai ketentuan lisensi. Melalui distribusi model terbuka, 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, konfigurasi alat bantu eksternal juga harus diperiksa. Melalui pengaturan yang tepat, penggunaan model menjadi lebih terkendali.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Pada bagian arsitektur, Flint memanfaatkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, sebagian besar parameter biasanya ikut dihitung pada setiap token. Sebaliknya, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut memungkinkan model menerima kode dan instruksi panjang. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Walaupun kapasitas konteks besar, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Oleh karena itu, pengembang dianjurkan memberikan instruksi terstruktur. Selain itu, referensi kode harus dipilih berdasarkan kebutuhan. Cara penggunaan ini membuat proses analisis lebih terarah.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan sejumlah pilihan menjalankan model agar Flint mampu berjalan pada GPU NVIDIA yang kompatibel. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Kecepatan tersebut menunjukkan potensi respons yang cepat. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Sebagai bagian dari dukungan ekosistem, Flint didistribusikan melalui varian presisi berbeda. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil menawarkan opsi instalasi dengan kebutuhan penyimpanan lebih rendah. Walaupun quantization membantu efisiensi, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Sebelum melakukan instalasi, pengguna perlu memeriksa kapasitas memori. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Salah satu cara praktis untuk mengoperasikan model AI Flint adalah memanfaatkan Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Sesudah lingkungan lokal dipersiapkan, pengguna dapat membuka terminal. Instruksi terminal 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.

Di luar penggunaan runtime tersebut, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Sebagai dukungan khusus, Recursive mengembangkan mesin inferensi lokal bernama rec. Mesin inferensi ini memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Dalam kebutuhan agen coding, model mendukung penggunaan melalui sistem agen seperti OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Walaupun integrasi tersebut bermanfaat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Benchmark Recursive Flint dalam Tugas Agentic Coding

Model tersebut dikembangkan untuk menyelesaikan tugas coding secara bertahap. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Model kemudian meninjau bagian kode yang relevan sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint mendukung penyusunan fungsi baru serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Meskipun AI mampu menghasilkan kode, solusi tidak boleh langsung dianggap benar. Proses validasi ini membantu menjaga keandalan perangkat lunak.

Dalam pengujian performa model, Recursive melaporkan pencapaian pada pengujian agentic coding. 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 skor SWE-bench Verified tercatat sebesar 74,2 persen. Pencapaian benchmark ini berasal dari pengujian yang dilaporkan Recursive. Karena itu, metodologi pengujian harus diperiksa. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Berdasarkan keterbatasan evaluasi, keputusan menggunakan model perlu mempertimbangkan kebutuhan nyata.

Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan

Kehadiran model AI coding Flint memperluas pilihan perangkat lunak bagi developer. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint memungkinkan penggunaan sumber daya secara lebih selektif. Kemampuan menangani informasi proyek yang luas serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Selain itu, lisensi Apache 2.0 memberikan ruang pengembangan komunitas. Meski kemampuan model terus berkembang, keamanan penggunaan agen perlu diperhatikan. Seiring kemajuan TEKNOLOGI pemrograman, AI coding terbuka dapat memperluas pilihan developer. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Mari sampaikan pengalaman menggunakan AI coding lokal.