Flint v1.0 vs North Mini Code: Dua MoE Coding Terbuka yang Memperebutkan Laptop Anda

Sebagian besar halaman "versus" di situs ini memasangkan hal-hal yang tidak pernah benar-benar menjadi rival. Yang ini berbeda. Recursive Flint v1.0 dan Cohere North Mini Codeadalah jenis objek yang sama: model pengkodean sparse mixture-of-experts, diterbitkan di bawah Apache 2.0, cukup kecil untuk dijalankan pada perangkat keras yang sudah dimiliki pengembang, dan keduanya diposisikan sebagai opsi lokal alih-alih opsi terdepan. Flint hadir pada 21 Oktober 2026 dengan 39,8 miliar parameter total dan sekitar 2,5 miliar aktif per token. North Mini Code hadir pada 9 Juni 2026 dengan total 30 miliar dan 3 miliar aktif. Itu cukup dekat sehingga pilihannya bergantung pada apa yang ada di dalam file dan apa yang benar-benar telah diukur — dan untuk kedua hal itu, jawabannya bukan yang tersirat dalam liputan peluncuran.

Kedua file tersebut, dimensi demi dimensi

Mulailah dengan apa yang ada di dalam kotak, karena untuk dua model yang di-host sendiri, inilah perbandingan yang bertahan saat berhadapan dengan kenyataan.

• Total parameter — Flint: 39,8B. North Mini Code: 30B.

• Parameter aktif per token — Flint: sekitar 2,5B, dengan 2,2B di body dan sisanya di output head. North Mini Code: 3B. Hampir identik, dan inilah angka yang menentukan biaya inferensi.

• Perutean pakar — Flint: 256 pakar yang dirutekan, 6 dipilih per token ditambah 1 bersama, di seluruh 47 lapisan MoE dan 2 lapisan dense. North Mini Code: 128 pakar, 8 aktif per token.

• Atensi — Flint: campuran lapisan sliding-window dan global dengan attention sink. North Mini Code: rasio sliding-window terhadap global sebesar 3:1. Keduanya memasang taruhan yang sama, bahwa sebagian besar token hanya membutuhkan atensi lokal dan sedikit saja yang membutuhkan seluruh jendela.

• Konteks — Flint: 262.144 token terdokumentasi di kartu model, dengan pengumuman yang menyebutkan hingga 512K dan merekomendasikan 256K. North Mini Code: 256K masukan, keluaran maksimum 64K.

• Modalitas — Flint: teks masuk, teks keluar. North Mini Code: teks masuk, teks keluar. Keduanya tidak menerima gambar, yang penting jika pekerjaan Anda melibatkan tangkapan layar.

• Lisensi — keduanya Apache 2.0, bobot disertakan, tanpa ambang pendapatan.

• Format yang diterbitkan — Flint: BF16, int4 safetensors, int4 GGUF, NVFP4 GGUF. North Mini Code: BF16, FP8, dan W4A16.

• Disk dan memori — Flint: 79,59 GB dalam BF16, 22,86 GB sebagai NVFP4, dan sekitar 24 GB memori untuk menjalankannya. North Mini Code: sekitar 20 hingga 24 GB terkuantisasi, dengan demo milik Cohere sendiri berjalan di Mac Studio pada sekitar 20 GB.

Memori adalah potongan pertama, dan itu lebih dekat daripada yang disiratkan oleh jumlah parameter.

Pembacaan naif atas 39.8B versus 30B adalah bahwa Flint membutuhkan sepertiga lebih banyak memori. Tidak demikian, karena keduanya sparse dan keduanya merilis build terkuantisasi yang agresif. Yang sebenarnya Anda pilih adalah antara file NVFP4 22,86 GB dan build terkuantisasi sekitar 20 GB — cukup dekat sehingga kartu 24 GB yang sama dapat menjalankan keduanya, dan cukup dekat sehingga tidak ada yang menjadi pilihan jelas hanya berdasarkan ukuran saja.

Yang berbeda adalah ruang cadangannya. North Mini Code dilaporkan menjalankan GGUF 4-bit pada Ryzen 7 dengan 32 GB DDR4 — desktop yang benar-benar biasa, bukan workstation. Klaim Flint tentang laptop lebih spesifik: angka throughput Recursive diukur pada MacBook Pro M4 Pro dan pada RTX Spark 64 GB, yang keduanya merupakan mesin premium. File 22.86 GB akan dimuat pada kartu 24 GB. Apakah itu berjalan pada kecepatan yang dapat Anda toleransi adalah pertanyaan terpisah, dan sangat bergantung pada engine-nya.

Jika batasan Anda adalah "mesin yang sudah saya miliki," North Mini Code memiliki lebih banyak laporan bahwa ia dapat berjalan pada perangkat keras biasa. Jika batasan Anda adalah "mesin terbaik yang saya miliki," Flint adalah arsitektur yang lebih baru dan lebih cepat pada konteks pendek.

Salah satunya memiliki papan skor independen.

Inilah bagian dari perbandingan yang paling sering dilewatkan oleh banyak ulasan, dan justru bagian inilah yang seharusnya menjadi penentu dalam pengadaan.

North Mini Code telah diukur oleh Artificial Analysis. Model ini memperoleh skor 33,4 pada AA Coding Index dan 27,6 pada AA Intelligence Index, dengan SWE-bench Verified sebesar 67,6 pass@1 dan 80,2 pass@10, serta 61,0 pada mini-SWE-Agent. Itu adalah pengukuran pihak ketiga yang dihasilkan dengan protokol yang konsisten, sehingga dapat dibandingkan dengan model lain pada indeks yang sama tanpa catatan kaki tentang harness.

Flint tidak memiliki entri Artificial Analysis. Skor yang dipublikasikannya — 74,2 pada SWE-bench Verified, 89,7 pada SWE-bench Pro v2, 54,9 pada Terminal-Bench 2.1 — berasal dari harness milik Recursive sendiri, dan belum ada yang menjalankannya ulang. Metodologinya diungkapkan, yang merupakan nilai plus bagi Recursive: mini-swe-agent tanpa internet untuk uji SWE-bench, Terminus 2 dengan internet untuk Terminal-Bench tetapi solusi apa pun yang diperoleh dari web dihitung sebagai kegagalan, pass@1 dirata-ratakan selama setidaknya lima percobaan. Metodologi yang diungkapkan bukanlah metodologi yang terverifikasi.

Jadi bisakah Anda membandingkan 67,6 dengan 74,2? Tidak secara bertanggung jawab. Angka-angka itu dihasilkan oleh organisasi berbeda pada harness berbeda dengan aturan berbeda, dan selisihnya — 6,6 poin — berada jauh di dalam rentang yang dapat digeser oleh pilihan harness saja terhadap suatu skor. Yang bisa Anda katakan lebih sempit tetapi tetap berguna: angka North Mini Code telah diperiksa oleh seseorang yang tidak membangun model tersebut, sedangkan angka Flint belum. Jika Anda memilih berdasarkan bukti alih-alih spesifikasi, itulah asimetri yang penting.

Ada satu lagi poin data di kolom North Mini Code yang kurang mengenakkan dan layak untuk diketahui: Artificial Analysis menandainya sebagai sangat bertele-tele, dengan mengonsumsi sekitar 75 juta token keluaran dalam pengujian dibandingkan median kelas sekitar 25 juta. Bertele-tele adalah pengganda biaya dalam loop agen. Model yang berpikir sambil mengeluarkan ucapannya tiga kali lebih banyak bisa lebih murah per token tetapi lebih mahal per tugas.

Gambaran kecepatan berubah total pada konteks panjang.

Kedua model cepat pada prompt pendek, dan keduanya melambat saat konteks terisi. Perbedaannya adalah seberapa besar.

• Flint — Recursive mengklaim lebih dari 125 token per detik pada MacBook Pro M4 Pro dan lebih dari 150 pada RTX Spark 64 GB, diukur pada konteks pendek dengan prefill tidak dihitung. Pengujian independen melaporkan sekitar 110 token per detik pada prompt pendek yang turun menjadi sekitar 9 token per detik mendekati 115.000 token konteks. Itulah angka yang harus menjadi dasar desain agen Anda, karena pengodean agentik menghabiskan sebagian besar waktunya dalam rezim konteks panjang.

• North Mini Code — sekitar 199 hingga 210 token keluaran per detik pada API Cohere dengan sekitar 0,25 detik ke token pertama, dan sekitar 2,8 kali laju pemrosesan model kecil sebanding dalam pengujian yang sama. Pada perangkat keras lokal, angkanya sepenuhnya bergantung pada mesin dan kuantisasi Anda, tetapi polanya sama: cepat pada konteks pendek, lebih lambat saat jendela terisi.

Perbandingan yang jujur bukanlah "mana yang lebih cepat" melainkan "mana yang lebih cepat untuk cara agen benar-benar bekerja." Model yang menulis token dalam 8 milidetik pada konteks 4K dan 110 milidetik pada 115K adalah produk yang berbeda dari model yang menurun performanya lebih landai. Tidak ada vendor yang menerbitkan kurvanya. Jika kerja agentic dengan konteks panjang adalah kasus penggunaan Anda, ukurlah pada repositori Anda sendiri sebelum berkomitmen — itu pekerjaan satu sore dan akan memberi tahu Anda lebih banyak daripada posting peluncuran mana pun.

Momentum versus kebaruan

North Mini Code melewati 150.000 unduhan pada pertengahan Agustus 2026, dua bulan setelah dirilis. Ini adalah sinyal nyata: model dengan adopsi sebesar itu telah dijalankan pada perangkat keras yang belum pernah diuji oleh para pembuatnya, telah mengumpulkan perbaikan di komunitas, dan kekurangan-kekurangannya telah didokumentasikan oleh orang-orang yang tidak punya insentif untuk bersikap baik. Cohere melaporkan angka tersebut, jadi perlakukan angka itu sebagai data dari vendor, tetapi arahnya dikuatkan oleh banyaknya kuantisasi turunan yang beredar.

Flint baru berumur empat hari. Model ini memiliki spesifikasi utama yang lebih baik, dekode konteks pendek yang lebih cepat, jendela konteks terdokumentasi yang lebih panjang, dan kisah pengembangan yang lebih menarik. Model ini juga memiliki bug templat chat yang diketahui pada jalur GGUF untuk llama.cpp, penurunan throughput tajam pada konteks panjang yang belum dijelaskan siapa pun, dan praktis tidak memiliki riwayat komunitas. Adopsi awal model berumur empat hari adalah taruhan pada lintasannya, bukan penilaian terhadap artefaknya.

Apa yang perlu diunduh pada hari Senin

• Pilih North Mini Code jika Anda menginginkan model yang disertai skor independen, jika perangkat keras Anda sederhana, jika tugas Anda adalah rekayasa perangkat lunak biasa dalam repositori yang muat dengan nyaman dalam konteks, dan jika Anda lebih menghargai dua bulan laporan bug komunitas daripada arsitektur yang lebih baru. Perhitungkan verbositasnya.

• Pilih Flint jika Anda memiliki laptop premium atau kartu 24 GB, jika Anda menginginkan jendela konteks yang lebih panjang, jika kecepatan konteks pendek adalah yang benar-benar dimanfaatkan oleh alur kerja Anda, dan jika Anda bersedia menjadi pengadopsi awal dengan imbalan model yang kemungkinan besar lebih baik dalam sebulan dari sekarang.

• Jangan memilih salah satu pun sebagai satu-satunya opsi Anda. Keduanya adalah model dengan 2,5–3B parameter aktif. Keduanya sangat baik untuk tugas-tugas dengan cakupan terbatas dan bukan asisten coding frontier, dan Recursive menyatakan hal yang sama tentang modelnya sendiri. Pekerjaan yang tidak akan dilakukan dengan baik oleh keduanya adalah pekerjaan yang membutuhkan model frontier yang dihosting — dan arsitektur yang masuk akal adalah default lokal dengan jalur eskalasi, bukan satu model yang diminta menjadi segalanya.

Jalur eskalasi itulah tempat perutean membuktikan manfaatnya. OrcaRouter tidak menyediakan kedua model ini, jadi tidak ada di sini yang merupakan promosi untuk rute ke keduanya. Yang dilakukan lapisan perutean untuk penyiapan yang mengutamakan lokal adalah sebaliknya: ini memungkinkan Anda menyusun tugas-tugas yang membutuhkan model terhosting yang lebih besar ke dalam jalur panggilan yang sama, dengan rantai fallback untuk permintaan di mana model lokal tersendat atau konteksnya meluap. Jika dikonfigurasi dengan baik, model lokal menangani pekerjaan rutin dan model mahal hanya dijangkau saat benar-benar diperlukan — yang merupakan satu-satunya versi arsitektur ini yang menghemat uang.

Jawaban yang membosankan adalah jawaban yang tepat. Kedua file itu gratis, keduanya berjalan pada perangkat keras yang kemungkinan sudah Anda miliki, dan satu-satunya cara untuk mengetahui mana yang cocok untuk repositori Anda adalah mencoba keduanya pada repositori tersebut. Selisih benchmark di antara keduanya lebih kecil daripada selisih antara salah satunya dan beban kerja aktual Anda.