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

Recursive menghadirkan Flint sebagai sistem kecerdasan buatan yang berfokus pada pengembangan perangkat lunak. Berbeda dari chatbot yang mengutamakan percakapan umum, Flint dirancang membantu proses pemrograman yang kompleks. Fungsi utamanya berkaitan dengan pemahaman struktur proyek, perbaikan bug, penambahan fungsi perangkat lunak, dan penulisan pengujian otomatis. Melalui kemampuan tersebut, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, hasil model tetap membutuhkan pemeriksaan manusia. Prinsip pengawasan ini membantu mengurangi kemungkinan kesalahan.

Salah satu daya tarik Flint adalah ketersediaan bobot model secara terbuka. Pengembang mendapatkan akses terhadap Flint dengan lisensi Apache 2.0 yang mendukung pemanfaatan untuk berbagai kebutuhan. Dengan ketersediaan tersebut, pengguna dapat menjalankan inferensi pada perangkat sendiri. Pendekatan penggunaan lokal menarik bagi pengembang yang menangani kode sensitif. Walaupun bobot tersedia secara terbuka, 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

Model AI Recursive ini mengandalkan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Dalam konfigurasi lengkapnya, Flint memiliki sekitar 39,8 miliar parameter. Namun, hanya sekitar 2,5 miliar parameter yang aktif untuk setiap token. Perbedaan tersebut memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Dalam model dense, seluruh lapisan utama digunakan secara lebih menyeluruh. Pada Flint, hanya sejumlah komponen ahli dilibatkan. Melalui rancangan tersebut, inferensi menjadi lebih efisien pada perangkat yang mendukung.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ruang pemrosesan informasi tersebut memungkinkan model menerima kode dan instruksi panjang. Untuk menggambarkan manfaatnya, pengembang dapat memasukkan beberapa file terkait. Namun demikian, panjang konteks tidak menjamin ketepatan pemahaman. Untuk menjaga efektivitas, tugas sebaiknya dipecah menjadi bagian yang jelas. Selain itu, informasi yang tidak relevan sebaiknya dibatasi. Cara penggunaan ini membantu meningkatkan kualitas hasil.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Tim pengembang Flint menyiapkan dukungan pemrosesan untuk perangkat lokal agar Flint tersedia untuk lingkungan komputasi berbeda. Dalam evaluasi performa perusahaan, Flint menawarkan pemrosesan melampaui 125 token per detik pada konfigurasi Apple Silicon yang diuji. Sementara itu, kecepatan lebih dari 150 token per detik juga dilaporkan pada konfigurasi perangkat yang sesuai. Angka performa ini menjadi salah satu daya tarik pendekatan MoE. Namun demikian, hasil dapat berubah menurut jumlah token konteks. Oleh sebab itu, pengembang sebaiknya membandingkan hasil pada perangkat masing-masing.

Sebagai bagian dari dukungan ekosistem, Flint tersedia dalam sejumlah konfigurasi inferensi. 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. Meskipun format ringkas tersedia, penggunaan RAM dan VRAM dapat meningkat saat konteks panjang. Sebelum melakukan instalasi, spesifikasi perangkat keras sebaiknya dibandingkan dengan kebutuhan runtime. Dengan persiapan tersebut, pengembang dapat menghindari konfigurasi yang terlalu membebani komputer.

Cara Menjalankan Recursive Flint secara Lokal

Pilihan penggunaan lokal yang tersedia untuk mengoperasikan model AI Flint adalah menggunakan aplikasi Ollama. Ollama merupakan platform inferensi yang menyediakan pengunduhan serta eksekusi model. Sesudah lingkungan lokal dipersiapkan, pengembang bisa menjalankan jendela perintah. Penggunaan sintaks ollama run flint dapat digunakan untuk mengunduh dan menjalankan model. Apabila proses inisialisasi berhasil, developer bisa mengajukan pertanyaan tentang kode. Meski proses penggunaan dipermudah, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Di luar penggunaan runtime tersebut, Flint memiliki integrasi dengan berbagai perangkat lunak AI. Alternatif yang dapat digunakan mencakup vLLM, LM Studio, dan perangkat lunak inferensi lainnya. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Runtime tersebut memanfaatkan optimalisasi bagi prosesor Apple yang kompatibel. Pada integrasi dengan asisten pemrograman, Flint dapat dipadukan dengan OpenHands. Berkat penggunaan perangkat lunak pendamping, pekerjaan coding dapat diperluas dari percakapan menjadi tindakan terstruktur. Perlu diingat, pengembang perlu membatasi kewenangan agen sesuai kebutuhan. Pengendalian izin tersebut penting untuk mencegah perubahan kode yang tidak diharapkan.

Kemampuan Flint untuk Memperbaiki Bug dan Mengembangkan Aplikasi

Recursive merancang Flint untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, agen dapat diarahkan memeriksa penyebab masalah aplikasi. Model kemudian membaca file terkait dan menyarankan perubahan sebelum hasil perubahan diperiksa melalui test. Untuk pekerjaan pengembangan lainnya, Flint dapat membantu menambahkan fitur serta menulis pengujian perangkat lunak. Penggunaan model dalam beberapa tahapan berpotensi mengurangi pekerjaan berulang. Namun demikian, hasil tetap harus diperiksa secara kritis. Langkah tersebut membantu menjaga keandalan perangkat lunak.

Sebagai bagian dari peluncuran Flint, Recursive menampilkan skor evaluasi pemrograman. Untuk benchmark tugas terminal, Flint memperoleh skor 54,9 persen. Dalam pengujian perbaikan perangkat lunak, SWE-bench Pro v2 menunjukkan skor 89,7 persen, sedangkan pengujian SWE-bench Verified menghasilkan 74,2 persen. Pencapaian benchmark ini perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Dalam menilai performa sebenarnya, konfigurasi runtime perlu diperhatikan. Sebagai pertimbangan tambahan, kinerja nyata bergantung pada tingkat kesulitan dan instruksi. Dengan demikian, pengujian langsung tetap diperlukan.

Kesimpulan tentang Recursive Flint dan Masa Depan AI Coding Lokal

Kehadiran model AI coding Flint menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Melalui penggunaan sekitar 2,5 miliar parameter aktif, Flint menawarkan pemrosesan yang lebih hemat komputasi. Kemampuan menangani informasi proyek yang luas serta integrasi dengan berbagai runtime lokal menjadi nilai tambah bagi pengembang. Selain itu, dukungan ekosistem open-weight memberikan ruang pengembangan komunitas. Walaupun demikian, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, penggunaan kecerdasan buatan pada perangkat sendiri semakin relevan. Menurut Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Mari sampaikan pengalaman menggunakan AI coding lokal.