Обзор Qwen3-Coder:30b — лучший локальный ИИ для кодинга
Введение
В июне 2025 года компания Alibaba представила свою новую, высокопроизводительную ИИ-модель для кодинга с открытым исходным кодом — Qwen3 Coder. Пользователи, которые уже успели опробовать эту китайскую нейросеть, отмечают ее высочайшую эффективность в генерации, проверке и коррекции кода на разных языках программирования, не уступая таким передовым LLM, как DeepSeek R1/V3, GPT-4.1, Gemini 2.5-Pro и Kini-K2. Команде ServerFlow стало интересно, так ли это на самом деле, поэтому в этом обзоре наша команда будет использовать Qwen3 Coder для выполнения сложных задач в области программирования, оценив точность, скорость и удобство работы с этой нейросетью.
Подробнее о Qwen3 Coder
Qwen3-Coder — это большая языковая модель на базе архитектуры MoE (включает 160 экспертов), специализирующаяся на выполнении задач, связанных с программированием. Контекстное окно модели достигает 256 тысяч токенов в базовой версии и может быть расширено до 1 миллиона токенов при развертывании через пакетный менеджер YaRN, благодаря чему в Qwen3-Coder можно работать с полной программной базой на тысячи строк одновременно. Qwen3-Coder доступна на множестве платформ для локального развертывания, таких как Hugging Face, GitHub, API Alibaba Cloud, Ollama, а также поддерживает интеграцию агентского интерфейса Qwen Code CLI и различных графических инструментов. Благодаря наличию открытого исходного кода, Qwen3-Coder могут пользоваться частные и государственные компании, генерируя код критически важных приложений, при этом обеспечивая его сохранность за счет хранения данных на локальном, а не облачном сервере. В рамках нашего теста мы будем использовать версию Qwen3-Coder:30b-a3b, квантизированную по способу Q4-K-M и имеющую 30 миллиардов параметров, запущенную через Open WebUI. Open WebUI — это вебинтерфейс с открытым исходным кодом, предназначенный для работы с различными платформами локального запуска ИИ, в том числе и Ollama, которым мы и будем пользоваться. Мы выбрали именно этот интерфейс из-за наличия встроенного интерпретатора программного кода, что облегчает тестирование работоспособности ПО, которое будет генерировать Qwen3-Coder. Кроме того, в Open WebUI есть множество параметров для настройки чатов и вызова дополнительных функций. Итак, переходим к тестам!
Тесты Qwen3-Coder
В нашем тестировании мы проверим все возможности нейросети Qwen3-Coder:30b-a3b, в частности, ее точность в текстовых задачах, скорость генерации ответов, знание различных языков программирования и, конечно же, ее производительность в написании кода.
Введем простой запрос, чтобы проверить работоспособность модели.
Модель поняла вопрос и оперативно сгенерировала релевантный ответ.
Точность текстовых ответов
Несмотря на то, что Qwen3-Coder ориентирована именно на генерацию программного кода, мы не могли не проверить возможности нейросети в области создания текстовых материалов.
Несмотря на то, что модель иногда выдает языковые ошибки (вставка китайских иероглифов), она справилась довольно неплохо для своего малого количества параметров, оперативно сгенерировав ответ, допустив минимум ошибок. Если сравнивать этот результат с текстовыми ответами языковой модели от LG, которая регулярно допускала вставку корейских иероглифов, то Qwen3-Coder демонстрирует достойные результаты. Да, это не самая сложная задача, но уже становится очевидно, что модель не сталкивается с трудностями в восприятии запросов и генерации ответов на русском языке.
Теперь попробуем повторить ту же задачу, но на английском языке.
Конечно же, с английским языком Qwen3-Coder справился лучше, не допустив ни одной галлюцинации, поскольку при обучении этой нейросети в основном использовались дата-сеты на английском и китайском языке.
Попробуем дать нейросети более сложную задачу по написанию реферата на тему “Разработка новых алгоритмов шифрования в области постквантовой криптографии”.
Qwen3-Coder не смогла сгенерировать реферат полностью, остановившись на одной из последних глав. Скорее всего, это связано с ограничениями контекста ответа нейросети. Тем не менее, реферат получился вполне неплохим и очень объемным.
Знание языков программирования
Alibaba заявляет, что нейросеть Qwen3-Coder знает 358 языков программирования, чего вполне достаточно для работы даже с самыми малораспространенными программами и приложениями. Мы не будем экспериментировать, требуя от Qwen генерации кода на экзотических языках, поскольку ими мало кто пользуется. Вместо этого дадим модели несколько задач для генерации ПО на Assembler, 1С и, конечно же, Python.
Assembler
Попробуем запросить у модели сгенерировать программный код на языке assembler для генерации чисел Фибоначчи без рекурсии для процессоров с архитектурой x86-64.
.section .data
# Массив для хранения чисел Фибоначчи
fib_array: .quad 0, 1, 0, 0, 0, 0, 0, 0, 0, 0
# Сообщение для вывода
msg: .ascii "Fibonacci numbers: "
msg_len = . - msg
.section .text
.global _start
_start:
# Инициализация переменных
mov $0, %rax # i = 0 (счетчик)
mov $0, %rbx # fib_prev = 0
mov $1, %rcx # fib_curr = 1
mov $2, %rdx # next_fib = 0
# Вывод заголовка
mov $1, %rax # sys_write
mov $1, %rdi # stdout
mov $msg, %rsi # сообщение
mov $msg_len, %rdx # длина
syscall
# Генерация первых 10 чисел Фибоначчи
mov $0, %r8 # счетчик цикла
fib_loop:
cmp $10, %r8 # если i >= 10, то выйти
jge fib_end
# Вывод текущего числа (fib_prev)
push %rbx # сохраняем fib_prev
call print_number # выводим число
pop %rbx # восстанавливаем fib_prev
# Вывод пробела
mov $1, %rax # sys_write
mov $1, %rdi # stdout
mov $space, %rsi # пробел
mov $1, %rdx # длина
syscall
# Вычисление следующего числа Фибоначчи
add %rbx, %rcx # fib_curr = fib_prev + fib_curr
mov %rcx, %rbx # fib_prev = fib_curr
mov %rax, %rcx # fib_curr = next_fib
inc %r8 # i++
jmp fib_loop
fib_end:
# Вывод новой строки
mov $1, %rax # sys_write
mov $1, %rdi # stdout
mov $newline, %rsi # новая строка
mov $1, %rdx # длина
syscall
# Завершение программы
mov $60, %rax # sys_exit
mov $0, %rdi # код возврата
syscall
# Функция для вывода числа
print_number:
push %rbx
push %rcx
push %rdx
push %rsi
mov %rbx, %rax # число для вывода
mov $10, %rcx # делитель
mov $0, %rdx # счетчик цифр
mov $buffer + 15, %rsi # указатель на конец буфера
cmp $0, %rax
jz print_zero
# Деление на 10 для получения цифр
mov $0, %rbx # счетчик цифр
mov $buffer + 15, %rdi # указатель на конец буфера
print_digits:
cmp $0, %rax
jz digits_done
xor %rdx, %rdx # очистка RDX
div %rcx # делим на 10
add $48, %rdx # преобразуем в ASCII
mov %dl, %byte [%rdi]
dec %rdi
inc %rbx
jmp print_digits
digits_done:
# Выводим цифры
mov $1, %rax # sys_write
mov $1, %rdi # stdout
inc %rdi # указатель на начало строки
mov %rbx, %rdx # длина
syscall
pop %rsi
pop %rdx
pop %rcx
pop %rbx
ret
print_zero:
mov $48, %al # ASCII '0'
push %rax
mov $1, %rax # sys_write
mov $1, %rdi # stdout
mov %rsp, %rsi # указатель на символ
mov $1, %rdx # длина
syscall
pop %rax
ret
# Вспомогательные символы
space: .ascii " "
newline: .ascii "n"
buffer: .space 16Код на Assembler под CPU на x86-64 для генерации чисел Фибоначчи.
Qwen3-Coder отлично справился с задачей, сгенерировав Assembler-код с различными пояснениями и гайдом по его запуску.
Python
Assembler — далеко не такой востребованный язык программирования, как Python. Посмотрим, справится ли Qwen3-Coder с генерацией кода Python для системы прогнозирования отказа компонентов.
pip install scikit-learn pandas matplotlib seaborn numpy
1. `smart_collector.py` — Сбор данных SMART
import subprocess
import json
from datetime import datetime
def get_smart_data(device_path):
try:
result = subprocess.run(['smartctl', '--json', '--all', device_path], capture_output=True, text=True)
data = json.loads(result.stdout)
return data
except Exception as e:
print(f"Ошибка при чтении SMART: {e}")
return None
def extract_smart_metrics(data):
if not data:
return {}
metrics = {
'device': data.get('device', {}).get('name'),
'model': data.get('model', {}).get('name'),
'temperature': data.get('temperature', {}).get('current'),
'reallocated_sectors_count': data.get('smartctl', {}).get('ata_smart_attributes', {}).get('table', [{}])[0].get('raw', {}).get('value'),
'uncorrectable_errors': data.get('smartctl', {}).get('ata_smart_attributes', {}).get('table', [{}])[1].get('raw', {}).get('value'),
'power_on_hours': data.get('power_on_time', {}).get('hours'),
'time_to_full': data.get('rotation_rate'),
'timestamp': datetime.now().isoformat()
}
return metrics
2. `ipmi_collector.py` — Сбор данных IPMI
import subprocess
import json
def get_ipmi_sensors():
try:
result = subprocess.run(['ipmitool', 'sdr', 'list'], capture_output=True, text=True)
return result.stdout
except Exception as e:
print(f"Ошибка при чтении IPMI: {e}")
return None
def parse_ipmi_data(log):
# Пример обработки (можно расширить)
lines = log.splitlines()
sensors = []
for line in lines:
if 'Temperature' in line or 'Fan' in line or 'Voltage' in line:
sensors.append(line.strip())
return sensors
3. `ml_model.py` — Простая модель ML (пример)
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
# Предположим, у нас есть датасет с признаками и меткой отказа
def load_and_train_model():
# Заглушка — замените на реальные данные из открытых датасетов
data = pd.read_csv('smart_dataset.csv') # Формат: ['temp', 'reallocated', 'uncorr_errors', 'health']
X = data[['temp', 'reallocated', 'uncorr_errors']]
y = data['health'] # 0 — не отказ, 1 — отказ
model = RandomForestClassifier()
model.fit(X, y)
return model
def predict_failure(model, features):
return model.predict_proba([features])[0][1] # Вероятность отказа
4. `visualizer.py` — Визуализация трендов
import matplotlib.pyplot as plt
import seaborn as sns
def plot_smart_trends(data):
df = pd.DataFrame(data)
df['timestamp'] = pd.to_datetime(df['timestamp'])
df.set_index('timestamp', inplace=True)
fig, ax = plt.subplots(figsize=(10, 6))
df[['temperature', 'reallocated_sectors_count']].plot(ax=ax)
plt.title("Тренды SMART параметров")
plt.xlabel("Время")
plt.ylabel("Значение")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.savefig("smart_trends.png")
5. `notifier.py` — Уведомления
import smtplib
from email.mime.text import MIMEText
def send_alert(message):
# Пример уведомления (можно заменить на Telegram, Slack и т.п.)
print(f"[ALERT] {message}")
6. `main.py` — Основной скрипт
from smart_collector import get_smart_data, extract_smart_metrics
from ipmi_collector import get_ipmi_sensors, parse_ipmi_data
from ml_model import load_and_train_model, predict_failure
from visualizer import plot_smart_trends
from notifier import send_alert
import time
def main():
devices = ['/dev/sda', '/dev/sdb'] # Укажите нужные диски
model = load_and_train_model()
smart_data_history = []
for device in devices:
data = get_smart_data(device)
metrics = extract_smart_metrics(data)
if metrics:
features = [
metrics.get('temperature', 0),
metrics.get('reallocated_sectors_count', 0),
metrics.get('uncorrectable_errors', 0)
]
risk = predict_failure(model, features)
print(f"Риск отказа для {device}: {risk:.2f}")
if risk > 0.7:
send_alert(f"Высокий риск отказа на диске {device} ({risk:.2f})")
smart_data_history.append(metrics)
plot_smart_trends(smart_data_history)
if __name__ == "__main__":
main()Итоговый результат.
Qwen3-Coder справился с задачей, написав 6 скриптов на Python, которые отвечают за работу системы прогнозирования отказа компонентов.
1С
Assembler и Python являются широко известными языками программирования и Qwen3-Coder отлично справляется с написанием кода на этих языках. Однако нам стало интересно, знакома ли эта нейросеть с такой популярной в СНГ платформой, как 1С, и сможет ли Qwen3-Coder сгенерировать код на одноименном языке программирования. Попробуем дать Qwen3-Coder задачу на создание доп обработки в 1С УТ, которая будет формировать отчет по продажам выбранного менеджера.
&НаКлиенте
Процедура ФормированиеОтчетаПоПродажам(КонецПериода)
// Создаем форму отчета
Форма = Новый Форма("ФормаОтчетаПоПродажам");
// Заполняем таблицу с данными
Запрос = Новый Запрос;
Запрос.Текст = "
ВЫБРАТЬ
| Покупатель.Имя,
| Менеджер.Имя,
| СуммаПродажи = Сумма(Продажа.СуммаОплаты),
| КоличествоТоваров = Сумма(Продажа.Количество)
|ИЗ
| Документ.РеализацияТоваров.Продажа КАК Продажа,
| Справочник.Менеджеры.Менеджер КАК Менеджер,
| Справочник.Покупатели.Покупатель КАК Покупатель
|ГДЕ
| Продажа.Дата <= &КонецПериода
| И Продажа.Статус = ""Закрыто""
| И Продажа.Менеджер = Менеджер.Ссылка
| И Продажа.Покупатель = Покупатель.Ссылка
|ГРУППИРОВАТЬ ПО
| Покупатель.Имя,
| Менеджер.Имя
|ПОРЯДОК ПО
| СуммаПродажи УБЫВАЮЩИЙ";
Запрос.УстановитьПараметр("КонецПериода", КонецПериода);
Результат = Запрос.Выполнить();
// Формируем таблицу данных для отчета
ТаблицаДанных = Новый ТаблицаЗначений;
ТаблицаДанных.Колонки.Добавить("Менеджер", Тип("Строка"));
ТаблицаДанных.Колонки.Добавить("СуммаПродажи", Тип("Число"));
ТаблицаДанных.Колонки.Добавить("КоличествоТоваров", Тип("Число"));
// Заполняем таблицу данными
Пока Результат.Следующий() Цикл
Запись = ТаблицаДанных.Добавить();
Запись.Установить("Менеджер", Результат.Поле("Менеджер"));
Запись.Установить("СуммаПродажи", Результат.Поле("СуммаПродажи"));
Запись.Установить("КоличествоТоваров", Результат.Поле("КоличествоТоваров"));
КонецЦикла;
// Отображаем отчет
Форма.Элементы.ТаблицаДанных.Значение = ТаблицаДанных;
Форма.Открыть();
КонецПроцедуры
&НаСервере
Процедура ОбработкаВыбораМенеджера(ВыбранныйМенеджер)
// Получаем данные по выбранному менеджеру
Если ВыбранныйМенеджер = Неопределено Тогда
// Если не выбран конкретный менеджер - показываем все
Возврат;
КонецЕсли;
// Формируем отчет для конкретного менеджера
Запрос = Новый Запрос;
Запрос.Текст = "
ВЫБРАТЬ
| Менеджер.Имя,
| СуммаПродажи = Сумма(Продажа.СуммаОплаты),
| КоличествоТоваров = Сумма(Продажа.Количество)
|ИЗ
| Документ.РеализацияТоваров.Продажа КАК Продажа,
| Справочник.Менеджеры.Менеджер КАК Менеджер
|ГДЕ
| Продажа.Дата <= &КонецПериода
| И Продажа.Статус = ""Закрыто""
| И Продажа.Менеджер = &ВыбранныйМенеджер
|ГРУППИРОВАТЬ ПО
| Менеджер.Имя";
Запрос.УстановитьПараметр("КонецПериода", ТекущаяДата());
Запрос.УстановитьПараметр("ВыбранныйМенеджер", ВыбранныйМенеджер);
Результат = Запрос.Выполнить();
// Обновляем отчет
Если Результат.Следующий() Тогда
// Обновление отчета в форме
Форма = НайтиФорму("ФормаОтчетаПоПродажам");
Если Форма <> Неопределено Тогда
Форма.Элементы.ТаблицаДанных.Значение = ПолучитьТаблицуДанныхИзРезультата(Результат);
КонецЕсли;
КонецЕсли;
КонецПроцедуры
// Функция для получения таблицы данных из результата запроса
Функция ПолучитьТаблицуДанныхИзРезультата(Результат)
ТаблицаДанных = Новый ТаблицаЗначений;
ТаблицаДанных.Колонки.Добавить("Менеджер", Тип("Строка"));
ТаблицаДанных.Колонки.Добавить("СуммаПродажи", Тип("Число"));
ТаблицаДанных.Колонки.Добавить("КоличествоТоваров", Тип("Число"));
Пока Результат.Следующий() Цикл
Запись = ТаблицаДанных.Добавить();
Запись.Установить("Менеджер", Результат.Поле("Менеджер"));
Запись.Установить("СуммаПродажи", Результат.Поле("СуммаПродажи"));
Запись.Установить("КоличествоТоваров", Результат.Поле("КоличествоТоваров"));
КонецЦикла;
Возврат ТаблицаДанных;
КонецФункцииРезультат генерации кода на языке 1С.
Qwen3-Coder справился с задачей и предоставил код на языке программирования 1С.
Скорость генерации текста
Помимо точности ответов и эффективности в генерации кода, не менее важной характеристикой любой нейросети для программирования является скорость ответов на запросы. Дадим нейросети задачу на написание простого веб-сайта со встроенным конфигуратором серверов.
Запись:
Нейросеть всего за 30 секунд сгенерировала готовый программный код. Рассмотрим результат:
Все функции сайта работают, имеется каталог и конфигуратор. Однако некоторые кнопки все-таки не функциональны, но при корректировке промпта это можно легко исправить.
Сайт с конфигуратором сервера
Написание кода для сайтов — одна из основных задач, с которыми могут справляться нейросети для программирования. С учетом наличия программного интерпретатора, нам будет просто опробовать возможности нейросети Qwen3-Coder в этой тривиальной задаче. Попросим языковую модель создать код для сайта со встроенным конфигуратором серверов.
Qwen3-Coder сгенерировала код сайта с конфигуратором серверов.
Qwen3-Coder отлично справился с задачей, оперативно написав рабочий программный код с требуемыми функциями.
Попробуем усложнить задачу, запросив у модели интеграцию дополнительных моделей серверного оборудования.
Модель снова успешно справилась задачей, внедрив на сайт дополнительные модели серверов.
Теперь добавим простое визуальное оформление в стиле ServerFlow.
Модель успешно внедрила визуальное оформление в стиле нашего сайта.
Калькулятор RAID
Теперь дадим нейросети задачу сгенерировать простой сайт с калькулятором RAID-уровней.
Qwen3-Coder сгенерировала код RAID-калькулятора.
Qwen3-Coder успешно создал код по заданному запросу.
Также мы дали Qwen3-Coder задачи на генерацию кода визуализатора уровней RAID, который может анализировать состояние RAID-массива, визуализировать расположение данных и их четности и показывает деградировавшие диски.
import argparse
import time
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from collections import defaultdict
import psutil
import os
import sys
class DiskHeatmap:
def __init__(self, device_path, block_size=512):
self.device_path = device_path
self.block_size = block_size
self.access_counts = defaultdict(int)
self.total_blocks = 0
self.is_running = False
def get_disk_info(self):
"""Получение информации о диске"""
try:
# Получаем размер диска
statvfs = os.statvfs(self.device_path)
block_size = statvfs.f_frsize
total_blocks = statvfs.f_blocks
self.total_blocks = total_blocks
return {
'total_blocks': total_blocks,
'block_size': block_size,
'total_size': total_blocks * block_size
}
except Exception as e:
print(f"Ошибка получения информации о диске: {e}")
return None
def monitor_disk_activity(self, duration=10):
"""Мониторинг активности диска в течение заданного времени"""
print(f"Начинаем мониторинг диска {self.device_path} на {duration} секунд...")
# Получаем начальное состояние
initial_io = psutil.disk_io_counters()
if not initial_io:
print("Не удалось получить информацию о диске")
return
start_time = time.time()
# Собираем данные о доступах
while time.time() - start_time < duration:
try:
# Получаем текущую активность
io_counters = psutil.disk_io_counters(perdisk=True)
if self.device_path in io_counters:
current_io = io_counters[self.device_path]
# Просто считаем количество операций (для примера)
# В реальности здесь нужно анализировать конкретные LBA
print(f"Данные: read_bytes={current_io.read_bytes}, write_bytes={current_io.write_bytes}")
time.sleep(1)
except KeyboardInterrupt:
print("Остановка мониторинга...")
break
except Exception as e:
print(f"Ошибка при мониторинге: {e}")
time.sleep(1)
def generate_sample_data(self):
"""Генерация симулированных данных для демонстрации"""
print("Генерируем симулированные данные для тепловой карты...")
# Генерируем случайные данные
num_blocks = min(10000, self.total_blocks) # Ограничиваем количество блоков
# Создаем "горячие" зоны
hot_zones = [
(int(num_blocks * 0.2), int(num_blocks * 0.3)), # Первая горячая зона
(int(num_blocks * 0.7), int(num_blocks * 0.8)), # Вторая горячая зона
]
for i in range(num_blocks):
count = 0
# Увеличиваем счетчики для горячих зон
for start, end in hot_zones:
if start <= i < end:
count += np.random.poisson(10) + 5 # Горячие зоны
# Добавляем случайные операции
count += np.random.poisson(2)
self.access_counts[i] = count
def create_heatmap(self):
"""Создание тепловой карты"""
if not self.access_counts:
print("Нет данных для визуализации")
return
# Подготавливаем данные для визуализации
num_blocks = len(self.access_counts)
# Преобразуем данные в матрицу
max_count = max(self.access_counts.values())
heatmap_data = np.zeros(num_blocks)
for block, count in self.access_counts.items():
heatmap_data[block] = count
# Создаем тепловую карту
plt.figure(figsize=(15, 8))
# Используем seaborn для лучшего вида
sns.set_style("whitegrid")
# Визуализация как линия с цветовой кодировкой
x = np.arange(len(heatmap_data))
y = heatmap_data
# Создаем цветовую шкалу
norm = plt.Normalize(vmin=0, vmax=max_count)
colors = plt.cm.plasma(norm(y))
# Рисуем график
plt.figure(figsize=(15, 6))
scatter = plt.scatter(x, y, c=y, cmap='plasma', alpha=0.7, s=1)
# Добавляем цветовую шкалу
cbar = plt.colorbar(scatter)
cbar.set_label('Частота доступа')
# Оси и заголовок
plt.xlabel('LBA (Logical Block Addressing)')
plt.ylabel('Количество операций')
plt.title(f'Тепловая карта диска {self.device_path}n(Горячие зоны отмечены высокой частотой доступа)')
# Добавляем сетку для лучшей читаемости
plt.grid(True, alpha=0.3)
# Уменьшаем количество меток на оси X для лучшей читаемости
plt.xticks(np.arange(0, len(heatmap_data), max(1, len(heatmap_data)//10)))
plt.tight_layout()
plt.show()
def create_matrix_heatmap(self):
"""Создание тепловой карты в виде матрицы (для больших объемов)"""
if not self.access_counts:
print("Нет данных для визуализации")
return
# Преобразуем данные в двумерную матрицу
num_blocks = len(self.access_counts)
# Выбираем размеры матрицы (для демонстрации)
rows, cols = 100, min(1000, num_blocks)
# Создаем матрицу данных
matrix_data = np.zeros((rows, cols))
for i in range(rows):
for j in range(cols):
block_index = int(i * (num_blocks / rows) + j * (num_blocks / cols))
if block_index < num_blocks:
matrix_data[i, j] = self.access_counts.get(block_index, 0)
# Визуализация матрицы
plt.figure(figsize=(12, 8))
# Используем тепловую карту seaborn
sns.heatmap(matrix_data, cmap='plasma', cbar_kws={'label': 'Частота доступа'})
plt.title(f'Тепловая карта диска {self.device_path}')
plt.xlabel('LBA (Logical Block Addressing)')
plt.ylabel('Блоки')
plt.tight_layout()
plt.show()
def save_data(self, filename):
"""Сохранение данных в файл"""
try:
with open(filename, 'w') as f:
for block, count in sorted(self.access_counts.items()):
f.write(f"{block},{count}n")
print(f"Данные сохранены в {filename}")
except Exception as e:
print(f"Ошибка при сохранении данных: {e}")
def main():
parser = argparse.ArgumentParser(description='Утилита для мониторинга и визуализации тепловой карты диска')
parser.add_argument('device', help='Путь к устройству (например, /dev/sda)')
parser.add_argument('--duration', type=int, default=10, help='Длительность мониторинга в секундах')
parser.add_argument('--output', help='Файл для сохранения данных')
parser.add_argument('--matrix', action='store_true', help='Использовать матричную визуализацию')
args = parser.parse_args()
# Проверка существования устройства
if not os.path.exists(args.device):
print(f"Устройство {args.device} не существует")
sys.exit(1)
# Создание объекта тепловой карты
heatmap = DiskHeatmap(args.device)
# Получаем информацию о диске
disk_info = heatmap.get_disk_info()
if not disk_info:
print("Не удалось получить информацию о диске")
sys.exit(1)
print(f"Информация о диске:")
print(f" Путь: {args.device}")
print(f" Всего блоков: {disk_info['total_blocks']}")
print(f" Размер блока: {disk_info['block_size']} байт")
print(f" Общий размер: {disk_info['total_size'] / (1024**3):.2f} ГБ")
# Симулируем мониторинг и генерируем данные
heatmap.generate_sample_data()
# Визуализация
if args.matrix:
heatmap.create_matrix_heatmap()
else:
heatmap.create_heatmap()
# Сохранение данных при необходимости
if args.output:
heatmap.save_data(args.output)
if __name__ == "__main__":
main()Qwen3-Coder сгенерировала код визуализатора RAID.
Результат получился неоднозначным. Скорее всего, Qwen3-Coder не до конца понял задачу и предоставил код, который запускает интерфейс с произвольными данными о дисках.
Калькулятор TCO
Поскольку на нашем сайте нет калькулятора TCO (совокупной стоимости владения оборудования), мы решили исправить этот недочет, воссоздав код калькулятора TCO с помощью Qwen3-Coder.
Qwen3-Coder написала код калькулятора TCO.
В результате получилась страница сайта с отличным интерфейсом калькулятора TCO с различными параметрами и верным подсчетом стоимости владения.
Аркада про системного администратора
Мы решили дать нейросети более интерактивную задачу, запросив у Qwen3-Coder код небольшой аркадной игры-заглушки про системного администратора на случай проведения технических работ на сайте. Посмотрим, сможет ли модель справиться с такой нетривиальной задачей.
Нейросеть Qwen3-Coder генерирует код аркадной игры
Игра запустилась, но ее визуальная составляющая и геймплей нас не впечатлили, а подсчет очков работал некорректно.
Мы улучшили промпт, после чего повторили наш запрос. Получилось лучше, появился подсчет очков и “сисадмином” теперь можно было управлять.
Попытки добавить в игру изображения системного администратора и иконок серверов не увенчались успехом, однако мы остались довольны результатом и при необходимости визуальную составляющую игры можно улучшить.
Выводы
Китайская языковая модель Qwen3-Coder показала себя исключительно с хорошей стороны, выполнив все задачи практически без ошибок. Это свидетельствует о том, что индустрия искусственного интеллекта в Китае продолжает свое активное развитие, порождая все новые и новые LLM, эффективность которых не только не уступает, но и превосходит языковые модели конкурентов, такие как Claude и ChatGPT. С учетом такого успеха, Alibaba вряд ли заморозит разработку новых версий модели Qwen-Coder, поэтому в будущем, когда выйдет Qwen4-Coder, мы обязательно протестируем возможности этой передовой нейросети для программирования.
Рекомендуемые товары
- Новое
- Выгодно
- Под заказ
- Б/У
Артикул: SF-00003249
Нет в наличии
Видеокарта AMD Radeon Instinct MI50 32GB HBM2 [100-506194] [Новый]
- Сокет AM4
- Сокет AM4
- Сокет AM4
- Сокет AM4
29 800 ₽
- Цена включает НДС 7%
- Гарантия: 1 год
- Новое
- Выгодно
- Под заказ
- Б/У
Артикул: SF-00001431
Нет в наличии
Видеокарта NVIDIA A100 OEM 40GB HBM2 [900-21001-0000-000] [Новый]
- Сокет AM4
- Сокет AM4
- Сокет AM4
- Сокет AM4
529 800 ₽
- Цена включает НДС 7%
- Гарантия: 1 год
- Новое
- Выгодно
- Под заказ
- Б/У
Артикул: 285
Нет в наличии
SSD-накопитель Intel (HP) S3700 400GB 2.5" 6Gb/s [SSDSC2BA400G3P] [Новый]
- Сокет AM4
- Сокет AM4
- Сокет AM4
- Сокет AM4
13 100 ₽
- Цена включает НДС 7%
- Гарантия: 1 год
- Новое
- Выгодно
- Под заказ
- Б/У
Артикул: 1350
Нет в наличии
HBA адаптер Broadcom 9500-16i (NVMe/SAS/SATA 12GB/s, no cache) [Новый]
- Сокет AM4
- Сокет AM4
- Сокет AM4
- Сокет AM4
53 900 ₽
- Цена включает НДС 7%
- Гарантия: 1 год
- Новое
- Выгодно
- Под заказ
- Б/У
Артикул: 5136
Нет в наличии
Кабель Supermicro SFF8643 (NVMe) - SFF8643 (NVMe) 0.7м [Новый]
- Сокет AM4
- Сокет AM4
- Сокет AM4
- Сокет AM4
3 000 ₽
- Цена включает НДС 7%
- Гарантия: 1 год