Платные облачные нейросети стоят денег и читают ваши проприетарные исходники. Локальные модели долгое время годились только для простых скриптов. Ситуация изменилась: берем свежий релиз Qwen 3.6 и проверяем, способен ли он писать готовый к проду код без бесконечных правок. Спойлер: способен, если взять правильную версию.
Почему плотная архитектура 27B лучше 35B
Решение: качаем веса модели на 27 миллиардов параметров.
Разработчики выпустили две крупные версии: 35B и 27B. Интуиция подсказывает брать ту, где больше параметров, но тут спрятан подвох. Модель на 35 миллиардов использует архитектуру Mixture of Experts (MoE). Это набор специализированных подсетей, из которых для каждого токена активируются лишь нужные. Модель генерирует ответы в три раза быстрее, но проигрывает в логике.
Версия на 27 миллиардов построена на классической плотной архитектуре (Dense). Модель всегда активна целиком, она медленнее, но результаты бенчмарков показывают превосходство именно в задачах разработки. Нам нужен работающий код, а не быстрые ошибки.
Железо и софт
Запускать тяжелые локальные нейросети на ноутбуке больно. Мой стенд состоит из отдельного десктопа, к которому я обращаюсь по локальной сети через SSH.
Характеристики системного блока:
- процессор AMD Ryzen 7
- оперативная память 128 GB
- видеокарта Radeon Pro W7800 с 32 GB видеопамяти
Ключевой фактор при локальном запуске: веса модели должны полностью помещаться в видеопамять. Софт примитивный: крутим сервер Ollama на десктопе, а пишем код в редакторе Zed на макбуке с настроенным доступом к удаленному API.
Для загрузки и запуска нужной версии используем терминал:
ollama run qwen:3.6-27bТест первый: простая задача
Задача: написать одностраничное веб-приложение для управления списком дел с базовым HTML, CSS и JavaScript. Нужно добавлять, удалять и отмечать задачи выполненными.
Модель выдала готовый файл за пять минут. Во время работы процессор и оперативная память простаивали, нейросеть нагрузила исключительно видеокарту. Открываем итоговый файл в браузере: кнопки нажимаются, логика добавления работает, задачи зачеркиваются кликом. Модель справилась безупречно.
Тест второй: алгоритмический визуализатор
Усложняем задачу: просим написать визуализатор алгоритмов сортировки. Требуем шесть алгоритмов (Bubble, Insertion, Selection, Merge, Quick, Heap), добавить ползунки скорости и размера массива, а также сверстать современный интерфейс.
Нейросеть писала ответ 21 минуту. Результат: один файл размером около тысячи строк кода. Открываем браузер: интерфейс выглядит отлично, кнопка Shuffle & Reset перемешивает элементы, ползунки меняют параметры на лету, алгоритмы визуально сортируют столбцы без сбоев.
⚠️ важный нюанс: пока модель писала код, системный блок потреблял около 330 Вт.
Тест третий: хардкорный Kanban
Финальная проверка: полноценная Kanban-доска. Требуется сделать так, чтобы карточки перетаскивались курсором между колонками, интерфейс работал в темной теме, данные сохранялись в локальное хранилище браузера, а поиск фильтровал задачи на лету.
Чтобы нейросеть не захлебнулась контекстом, применяем прагматичный подход. Сначала просим составить архитектурный план, затем скармливаем этот план модели, чтобы она писала код пошагово.
На план ушло пять минут. Модель выдала подробный Markdown-файл со структурой данных и порядком из шести фаз разработки. На сам код ушел ровно один час.
Результат впечатляет: доска открылась без ошибок в консоли. Пользователь может создавать карточки, таскать их по колонкам, фильтровать текст. После обновления страницы данные остаются на месте, так как скрипт корректно общается с API браузера.
Вердикт по Qwen 3.6
Локальным инструментам больше не нужны оправдания. Версия Qwen 3.6 27B доказала свою пригодность для рутинных задач разработчика. Модель с первого раза выдает рабочий код даже для проектов на тысячу строк. Отличный вариант для закрытых проектов под строгим NDA или ситуаций, когда вы отказываетесь платить за облачные подписки. Настраивайте Ollama, качайте веса и делегируйте рутину машине.