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

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Dibandingkan model yang berfokus pada berbagai topik tanpa spesialisasi, Flint dirancang membantu proses pemrograman yang kompleks. Kemampuan tersebut meliputi analisis basis kode, penanganan kesalahan program, pengembangan kemampuan aplikasi, dan pembuatan test case. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Walaupun difokuskan pada coding, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini mendukung penerapan AI secara bertanggung jawab.

Salah satu daya tarik Flint 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. Melalui distribusi model terbuka, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Kemampuan tersebut menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, tidak semua laptop mampu menjalankan model dengan performa optimal. Selain itu, integrasi agen perlu dikelola secara aman. Berkat pemahaman tersebut, pengembang dapat menyesuaikan penerapan sesuai kebutuhan.

Spesifikasi Flint dengan Arsitektur Mixture-of-Experts

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang dirancang mengurangi kebutuhan komputasi setiap token. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Meskipun ukurannya besar, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Perbedaan tersebut membantu mengurangi jumlah operasi komputasi. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Sebaliknya, mekanisme pemilihan expert menentukan jalur komputasi. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Selain arsitektur MoE, Flint memiliki konfigurasi konteks sebesar 262K 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, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Selain itu, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.

Performa Inferensi Lokal Recursive Flint di Berbagai Perangkat

Perusahaan mengoptimalkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Dalam evaluasi performa perusahaan, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Sementara itu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Kecepatan tersebut menjadi salah satu daya tarik pendekatan MoE. Walaupun benchmark menunjukkan performa tinggi, performa dipengaruhi quantization dan runtime. Oleh sebab itu, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Sebagai bagian dari dukungan ekosistem, Flint memiliki beberapa format bobot model. Salah satu pilihannya adalah BF16 yang mempertahankan representasi parameter berpresisi 16-bit. Selain itu, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Pilihan quantization ini bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, performa dapat berbeda berdasarkan presisi model. Untuk memilih konfigurasi yang sesuai, pengguna perlu memeriksa kapasitas memori. Dengan persiapan tersebut, penggunaan Flint secara lokal menjadi lebih realistis.

Cara Menjalankan Recursive Flint secara Lokal

Pilihan penggunaan lokal yang tersedia untuk menjalankan Recursive Flint adalah menggunakan aplikasi Ollama. Dalam ekosistem model AI lokal, Ollama menjadi 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. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Namun demikian, interaksi terminal biasa tidak selalu menyediakan akses langsung ke seluruh repository.

Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Ekosistem yang mendukung Flint mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Untuk pengguna perangkat Apple, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Runtime tersebut ditujukan untuk perangkat Apple Silicon tertentu. Pada integrasi dengan asisten pemrograman, pengembang bisa menghubungkan Flint ke lingkungan agentic coding. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Namun, izin akses file dan terminal harus dikendalikan. Pengawasan tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Model tersebut dikembangkan untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian membaca file terkait dan menyarankan perubahan sebelum hasil perubahan diperiksa melalui test. Selain perbaikan kesalahan, Flint dapat membantu menambahkan fitur serta membuat unit test. Kemampuan tersebut membantu mempercepat proses implementasi tertentu. Meskipun AI mampu menghasilkan kode, hasil tetap harus diperiksa secara kritis. Pengawasan kualitas tersebut penting terutama pada aplikasi produksi.

Dalam pengujian performa model, Recursive melaporkan pencapaian pada pengujian agentic coding. Pada Terminal-Bench 2.1, Flint mencapai tingkat keberhasilan 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 perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Untuk melakukan perbandingan yang tepat, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, kemampuan pada proyek tertentu dapat berbeda. Dengan demikian, pengujian langsung tetap diperlukan.

Penutup: Peluang Model AI Terbuka dalam Pengembangan Perangkat Lunak

Rilis model terbuka dari Recursive menunjukkan kemajuan pemanfaatan AI untuk pemrograman. Berkat desain model MoE yang efisien, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta kompatibilitas terhadap sejumlah platform inferensi memberikan fleksibilitas dalam penggunaan. Selain itu, dukungan ekosistem open-weight memungkinkan adopsi yang lebih fleksibel. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, seberapa penting privasi repository dalam memilih model AI? Mari sampaikan pengalaman menggunakan AI coding lokal.