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 bahasa khusus untuk pekerjaan pemrograman. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya mencakup pemeriksaan repository, penanganan kesalahan program, implementasi fitur, dan pembuatan test case. Berkat rancangan khusus tersebut, pengembang dapat memanfaatkan AI sebagai pendamping kerja. Meski menawarkan kemampuan luas, keputusan akhir tetap berada pada pengembang. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.
Karakteristik yang membedakan 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. Berkat akses terhadap bobot model, model dapat dioperasikan melalui infrastruktur lokal. Kemampuan tersebut relevan untuk organisasi dengan kebutuhan pengendalian data. Walaupun bobot tersedia secara terbuka, kebutuhan memori dan komputasi harus dipertimbangkan. Selain itu, penggunaan layanan tambahan dapat memengaruhi privasi. Melalui pengaturan yang tepat, manfaat AI lokal dapat diperoleh secara lebih optimal.
Teknologi Model AI 40 Miliar Parameter yang Efisien
Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang mengaktifkan komponen tertentu sesuai kebutuhan pemrosesan. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Akan tetapi, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Mekanisme aktivasi terbatas tersebut menjadi alasan penting di balik efisiensi model. Pada arsitektur model padat, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, pemrosesan diarahkan menuju bagian jaringan yang diperlukan. Dengan pendekatan ini, model berpotensi menghasilkan respons lebih cepat.
Untuk menangani proyek pemrograman kompleks, Flint mendukung kapasitas konteks hingga 262.144 token. Ruang pemrosesan informasi tersebut mendukung penyertaan riwayat pekerjaan dalam jumlah besar. Sebagai contoh, agen coding mampu mempertahankan instruksi dari langkah sebelumnya. Namun demikian, panjang konteks tidak menjamin ketepatan pemahaman. Untuk menjaga efektivitas, pekerjaan kompleks perlu dikelola dalam tahapan terukur. Sebagai langkah pendukung, konteks perlu disesuaikan dengan masalah yang sedang dikerjakan. Pengelolaan konteks yang tepat membantu meningkatkan kualitas hasil.
Dukungan Hardware untuk Menjalankan Model AI Coding Flint
Perusahaan mengoptimalkan sejumlah pilihan menjalankan model 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. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Hasil pengujian tersebut memberikan gambaran kemampuan inferensi lokal. Walaupun benchmark menunjukkan performa tinggi, hasil dapat berubah menurut jumlah token konteks. Dengan demikian, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.
Untuk mempermudah penggunaan, Flint didistribusikan melalui varian presisi berbeda. Varian utama yang disediakan adalah BF16 yang menyimpan bobot dengan presisi lebih tinggi. Untuk mengurangi kebutuhan memori, model dapat digunakan melalui format bobot berpresisi rendah seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil bertujuan mengurangi penggunaan memori. Namun perlu diperhatikan, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Untuk memilih konfigurasi yang sesuai, ketersediaan GPU dan ruang penyimpanan harus dievaluasi. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.
Panduan Menggunakan Flint melalui Ollama dan Runtime AI
Salah satu cara praktis untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Dalam ekosistem model AI lokal, Ollama menjadi alat untuk menjalankan model bahasa pada perangkat. Ketika perangkat lunak Ollama sudah tersedia, pengguna dapat membuka terminal. Instruksi terminal ollama run flint mengaktifkan model setelah proses pengunduhan yang diperlukan. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, kemampuan memodifikasi proyek secara otomatis memerlukan sistem agen tambahan.
Selain Ollama, Flint tersedia melalui sejumlah platform pengoperasian model. Ekosistem yang mendukung Flint mencakup SGLang, Unsloth, serta llama.cpp. Sebagai dukungan khusus, Recursive menghadirkan perangkat lunak rec untuk menjalankan Flint. Mesin inferensi ini ditujukan untuk perangkat Apple Silicon tertentu. 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, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.
Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi
Recursive merancang Flint untuk menangani pekerjaan pemrograman yang memerlukan beberapa langkah. Sebagai contoh, pengembang dapat meminta model menganalisis bug. Melalui integrasi agen, sistem bisa menghasilkan usulan perbaikan kode sebelum solusi dievaluasi menggunakan proses validasi. Untuk pekerjaan pengembangan lainnya, Flint berguna dalam implementasi komponen aplikasi serta menyusun skenario pemeriksaan kode. Kemampuan tersebut berpotensi mengurangi pekerjaan berulang. Walaupun model dapat membantu pekerjaan teknis, solusi tidak boleh langsung dianggap benar. Langkah tersebut penting terutama pada aplikasi produksi.
Untuk mengevaluasi kemampuan coding, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencapai tingkat keberhasilan 54,9 persen. Sementara itu, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan skor SWE-bench Verified tercatat sebesar 74,2 persen. Pencapaian benchmark ini perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.
Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan
Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. 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 mendukung berbagai kebutuhan pemrograman. Sebagai keunggulan penting, dukungan ekosistem open-weight memberikan ruang pengembangan komunitas. Meskipun hasil benchmark menunjukkan potensi, keamanan penggunaan agen perlu diperhatikan. Dalam transformasi TEKNOLOGI perangkat lunak, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Menurut Anda, apakah Flint menarik untuk membantu pekerjaan pemrograman sehari-hari? Bagikan pandangan Anda tentang masa depan model pemrograman terbuka.
