Тест локальных MOE‑моделей на задачах HTML/CSS/JS

Автор статьи провёл практический бенчмарк десяти локальных MOE‑моделей, ориентированных на генерацию кода для веб‑игр на HTML, CSS и JavaScript. Тест‑сценарий включал создание небольших интерактивных демо‑игр без необходимости компиляции, что позволило оценить кроссплатформенность и скорость вывода готового продукта.

| # | Модель | Параметры | Процент корректных решений | |---|--------|-----------|----------------------------| | 1 | Qwen 3.6 (MTP) | 7 B, 8‑экспертный MoE | 92 % | | 2 | KAT Coder V2.5 | 6 B, 4‑экспертный MoE | 84 % | | 3 | Gemma 4 | 5 B, 2‑экспертный MoE | 78 % | | 4 | Aurora‑Code‑1 | 8 B, 6‑экспертный MoE | 81 % | | 5 | Frontis | 4 B, 3‑экспертный MoE | 73 % | | 6 | GLM 4.7 Flash | 7 B, 5‑экспертный MoE | 89 % | | 7 | Ornith 1.0 | 3 B, 2‑экспертный MoE | 70 % | | 8 | Salience 1.5 Pro | 6 B, 4‑экспертный MoE | 76 % | | 9 | Agents A1 | 5 B, 3‑экспертный MoE | 74 % | |10| GPT‑oss 20B | 20 B, 10‑экспертный MoE | 82 % |

Тестирование проводилось на обычном ноутбуке (CPU i7‑12700H, 16 ГБ RAM) без GPU‑ускорения, что подчёркивает практическую ценность локального развёртывания. Наиболее стабильными оказались Qwen 3.6 и GLM 4.7 Flash: они генерировали полностью рабочий код в 92 % и 89 % случаев соответственно, при этом потребление памяти оставалось в пределах 6‑8 ГБ. Менее тяжёлые модели (Ornith, Frontis) показывали более низкую точность, но требовали лишь 3‑4 ГБ ОЗУ.

Автор отмечает, что локальные MOE‑модели позволяют быстро прототипировать веб‑игры без обращения к облачным сервисам, однако выбор модели всё ещё зависит от доступных ресурсов и требуемой надёжности. Полные ссылки на модели и репозиторий с тестовыми скриптами размещены в таблице статьи.

Вывод: локальные MOE‑модели уже способны обеспечить уровень качества, сопоставимый с облачными сервисами, при условии достаточного объёма оперативной памяти. Для разработчиков, работающих над небольшими фронтенд‑проектами, они представляют интересный альтернативный инструмент.