次のコーディングAIは自分のMacで動く？Flintで始めるローカル開発

Recursiveのモデルリポジトリにある公式Flintマークを、識別のため中立的な余白に変更せず配置しています。実行画面やベンチマーク結果を示す画像ではありません。

自分のマシンで動くコーディング支援は、いつもの問いを変えます。リポジトリをAPIに送ってよいかではなく、机の上のマシンが変更を確実に仕上げられるかを考えられます。非公開コード、繰り返す実験、不安定な接続を扱う仕事では有用な変化です。

RecursiveのFlintは、この提案を具体化しています。2026年10月21日付のvLLMによるリリース当日対応の発表が、新しいコーディングモデルへの対応を紹介しています。Recursiveによれば、総パラメータ数は約400億、トークン当たりのアクティブ数は約25億のMixture-of-Expertsモデルです。最適化されたMacランタイムにより、モデルのダウンロードから実際のコーディング実行環境までがつながります。

注目したいのは、モデル、配信ソフトウェア、エージェント接続が一緒に提供される点です。それでも購入判断の対象はワークステーション全体です。「アクティブ2.5B」は計算の一部を表し、メモリの少ないノートPCにモデル全体が収まる意味ではありません。ハードウェアの違い、最初に向く三つの仕事、速い文章生成と修正完了を混同しない評価方法を見ていきます。

ローカルモデルは手元のツールと働けて初めて役立ちます

Recursiveは、自動研究システムEureka Machineを開発するAI研究企業です。Flintはその取り組みから生まれた公開製品で、ダウンロード可能な重みと専用推論エンジンrecを提供します。会社を初めて知る開発者にとっての出発点は明快です。コーディングアプリを通してコードを調べ、変更を提案し、ツールを使うテキストモデルです。

モデルと実行環境は区別する必要があります。モデルは応答を生成するか、ツール操作を要求します。周囲のプログラムが読めるファイルを決め、コマンドを実行し、結果を返し、変更を表示します。ローカルモデルを入れるだけで便利な開発手順が自動的にできるわけではなく、それらの接続も製品体験の一部です。

Recursiveのセットアップ文書には、ローカルランタイムの選択肢と、Pi、OpenCode、Cline、OpenHandsなどのコーディングアプリが並んでいます。重みだけを配布するリリースより取り組みやすく、使い慣れたエディター、推奨ランチャー、別途のモデル配信という選択肢も得られます。

ローカル推論の境界は重要ですが、境界はほかにもあります。実行環境は権限次第でパッケージマネージャーを呼び、文書サイトに接続し、デプロイコマンドを実行できます。非公開リポジトリではモデルの接続先と周囲のツールの両方を調べましょう。推論サーバーがローカルでも、その他の接続はそれぞれの設定に従います。

400億のパラメータにも置き場所が必要です

Mixture-of-Expertsモデルは、各トークンで学習済み要素の一部を選びます。ネットワーク全体を動かすよりトークン生成の計算を減らします。大きな工房で今の仕事に道具の一部だけを使うようなもので、使わない設備にも保管場所は必要です。

10月23日に確認したFlintモデルカードは、総数398億、トークン当たり約25億がアクティブで、入出力はテキストと記しています。文書化されたコンテキスト設定は262,144トークンで、プロンプトと生成出力が共用します。それぞれ別の問いに答える値なので、「モデルサイズ」という一つの表示だけでは計画できません。

単純な計算で保存の問題が見えます。1パラメータを正確に4ビットとすると、398億個の生のビットは十進単位で約19.9GB、16ビットなら79.6GBです。これは低水準の例示計算であり、測定したダウンロード容量や完全なRAM要件ではありません。メタデータ、量子化スケール、ランタイムの割り当て、会話キャッシュが加わります。

独自制作の図です。パラメータのビット計算は例示で、アクティブ数から端末全体のメモリは決まりません。ランタイムとコンテキストの割り当てが追加されます。

会話が長くなるほど区別が重要です。ソースファイル、指示、ツール定義、コマンド出力、モデル自身の回答がすべてコンテキストを使います。上限が大きければ資料を多く持てますが、どの長さでも同品質になる保証や、長いプロンプトの処理が無料になる意味はありません。仕事を絞るのは今も有効な設計です。

Recursiveの現在のrec要件は、M4 Pro、M5 Pro、M5 MaxのMac、48GB以上のユニファイドメモリ、約30GBの空き容量を指定します。この最適化ランタイム経路の要件で、すべてのApple Silicon機への約束ではありません。小さなマシンの利用者は、アクティブ数を互換性案内と考えず、別の対応ランタイムの要件を調べるべきです。

速度の数値には端末とコンテキスト長が必要です

Recursiveの発表ページは、最適化エンジンにより短いコンテキストのM4 Pro MacBook Proで毎秒125トークン超を生成したと報告します。会社による推論結果です。コーディング評価も示されますが、生成速度や順位からアプリのテスト群の実行時間を予測することはできません。Recursiveの発表。

vLLMの記事は別の環境です。GB200を1基、バッチ1のデコード、10万トークンのコンテキストで、全体を通して約毎秒485トークンと報告します。サーバーGPUとノートPCの結果を条件なしで同じ比較行に置くべきではありません。ハードウェアと推論構成が大きく影響します。

トークンの生成と仕事の完了も違います。推論を長くしたり、ツールを多く呼んだり、再試行が必要な修正を選んだりする可能性があります。生成がボトルネックなら速度は役立ちます。最長の工程が10分の統合テストや誤編集の繰り返しなら、効果は小さくなります。

日常の評価では、レビューされた変更が適切な検査を通るまでの経過時間を測りましょう。人の修正量と無関係な挙動への影響も残します。トークン速度は診断に便利ですが、求めた結果は正しいパッチです。速くても繰り返し道を間違える支援は、午後の時間をさらに使うことがあります。

全面移行より範囲を限定した修正から始めます

最初の例は、理解しているリポジトリの普通の不具合です。空入力を誤処理するパーサーを想像してください。担当関数を特定し、今の動作を説明し、実装変更前に回帰テストを追加するよう頼みます。これは試用の例で、自分たちの実行報告ではありません。

小さく観察できるゴールを与えられます。期待動作が明確で、関係ファイルが少なく、テストが失敗を再現するかレビュアーが判断できます。広い整理に脱線しても、大きなパッチになる前に気付けます。ローカル生成ではリクエストごとのAPI料金なしで反復できますが、制約は依然として仕事を改善します。

二つ目は非公開モジュールを学ぶことです。ファイル参照を付けたリクエスト経路図を頼み、数件を自分で確認します。その後、欠けた検証ルールを一つ足すなど狭い依頼を続けます。契約から離れた一般論ではなく、実際のリポジトリに基づく会話に価値があります。

三つ目は日常のテスト保守です。既知の失敗や小さな不足を試し、レビューまで期待結果を伏せておけます。現状が意図どおりであることが正解の仕事も含めましょう。不要な編集を控える能力も、大きな機能生成ほど派手ではなくても開発品質の一部です。

修正、説明、テスト判断と、意図的に異なる成果を選んでいます。一つの成功は次の実験の手掛かりであり、すべての開発作業を同じローカルモデルに移せる証拠にはなりません。

対応Macなら最初の仕事までの道のりは短くなります

次は10月23日に確認した公開rec手順です。対応Macと、調査権限のあるリポジトリを前提にします。読者向けの設定案内であり、インストールや実行を行った証拠ではありません。

1. 現在の要件とチップ、空き容量、メモリを照合します。慣れたプロジェクトの使い捨てブランチやコピーで始め、最初の実験をレビューしやすくします。
2. 公式recリポジトリで手順とインストーラーを確認し、文書どおりに導入します。後の推論がローカルでも、最初のモデル取得にはネット接続が必要です。
3. 導入を確認し、プロジェクトのディレクトリで推奨環境を起動します。

rec doctor
rec launch pi

4. 期待動作、範囲、検証コマンドを含む具体的な仕事を一つ渡します。たとえば空入力テストの失敗理由を説明し、狭い回帰テストを足し、担当関数だけを変える依頼です。
5. 差分と実際のテスト出力をレビューします。終了時はサーバー状態を確認し、メモリを占有し続ける必要がなければランタイムを止めます。

rec status
rec stop

ランチャーの便利さは挙動を理解して使いましょう。Recursiveの文書では、実行環境やターミナルを閉じた後もモデルサーバーが動き続けることがあります。対話セッションの終了とローカルモデルの解放は別です。ビルド、ブラウザー、ほかの日常アプリを併用するマシンでは重要になります。

結果と一緒に生成設定を残します

生成設定ガイドは、temperature 1.0、top-p 0.95、top-k 20からの開始を推奨します。推論も出力予算を使うと説明しています。上限で止まる未完の回答は、完成した誤答とは別の問題です。

最初はランチャー同梱の設定で評価します。後でランタイムや精度を変えたら結果に記録しましょう。そうしないと、チャットテンプレートの不一致、途切れた応答、形式を理解しないツールパーサーが、モデルの退化に見えることがあります。

vLLMの記事は、その配信経路でGLM-4.7形式のツール・推論パーサーを案内します。選択欄にモデルが出るだけでは統合全体ではない具体例です。アプリは会話構造を保ち、意図したツール呼び出しを正しく実行する必要があります。正常なチャット応答だけでファイル編集まで動くとは言えません。

独自制作の概念図です。最終確認はレビュー済みの仕事の結果であり、測定性能や導入完了を示していません。

評価メモは小さくて構いません。チェックポイントの版、ランタイム版、ハードウェア、コンテキスト設定、仕事、時間、テスト結果、レビュー修正を残します。設定も目的も変わった二つのセッションより、更新後に同じ範囲の仕事を繰り返す方が有益です。復旧コストも実用性に響くため、失敗した試行も記録します。

ローカル推論は請求を変えますが費用を消しません

すでにある機材で繰り返す仕事では、推論API料金を避ける魅力があります。コード説明や小さなテスト生成を頻繁に頼むチームなら、予測しやすいローカル容量を好むかもしれません。それでも導入、保守、レビューの時間と、マシンのメモリの機会費用を比較に含めます。

対応機材で試すのと、一つのリリースのためだけに大容量メモリのノートPCを買うのは別の計算です。ハードウェアを節約と見る前に実際の仕事量を見積もります。より大きなホスト型モデルが少ない修正で終える仕事も含めましょう。仕事ごとに得意な道具が違うなら、ローカルとホスト型の使い分けも合理的です。

同時実行にも注意します。現在のrec文書ではエンジンは一度に一つの生成を扱い、重なるリクエストにはHTTP 429を返すことがあります。一人の開発者に便利でも、同じ動きでチーム共用サーバーになるとは限りません。複数エージェントの提供は別の負荷で、別ランタイムを要する場合があります。

期待できるのはローカルコーディングが一式の仕事の選択肢になることです。小さなアクティブ計算、入手可能な重み、専用ランタイムは、それぞれ異なる問題を解きます。今後必要なのは普通のプロジェクトで完了した修正の幅広い証拠、安定した対応、長いセッションの明確な挙動です。それが印象的なデモを信頼できる日常の道具に変えます。

ワークステーションもコーディング支援の一部になります

Flintではモデルの点数以上を見る必要があります。メモリ容量、ツール権限、実行環境、レビュー習慣が実体験の一部です。要求は多いものの、自分で制御するマシンで開発ループを調べ、形作れる力も得られます。

結果を判断できる仕事から始めましょう。無理のないレビューで良い変更を繰り返せるなら、有用な道具が見つかったことになります。次の難しい分野まで任せるという強い主張は、次の証拠を待てます。

出典

• Recursive：Flintの紹介、発表ページ、2026年10月23日確認。単独ページに信頼できる発売日の表示はありません。
• vLLM・Recursive：Flintのリリース当日対応、2026年10月21日。
• 公式Flintモデルカードと仕様、2026年10月23日確認。
• Recursive Flint文書、rec設定と要件、生成設定、2026年10月23日確認。
• 公式recリポジトリ、2026年10月23日確認。

技術判断の理由を残しましょう

出典リンクと自分でレビューした技術メモを別の作業場所に保管したい方には、Telli.shも選択肢です。ノートの作業場所を開く。