Logics-SWE-Qwen3.6-35B-A3B: новая локальная модель для кода

Что изменилось по сравнению с обычной моделью?

Авторы дообучили Qwen3.6-35B-A3B для задач разработки: изучить репозиторий, разобраться в ошибке, предложить исправление и проверить его. Вместо трёх отдельных моделей-«специалистов» на этапе использования нужна одна итоговая модель. Это веса — файлы с обученными параметрами, а не готовый агент, который самостоятельно откроет ваш проект и изменит файлы. Для такого сценария дополнительно нужен инструмент, предоставляющий модели доступ к проекту и проверяющий предложенный патч. s1

В репозитории автора доступны все 16 частей весов и пример запуска через vLLM — программу, которая предоставляет модели интерфейс для других приложений. Отдельно 31 октября появился неофициальный GGUF-пакет, в том числе файл Q4_K_M. GGUF — формат для программ локального запуска; наличие файла само по себе не подтверждает одинаковое качество или скорость по сравнению с оригиналом. Мы не запускали ни исходную модель, ни GGUF-конверсию. s1 s3

Насколько убедительны результаты?

По оценке самих авторов, модель решила в среднем 77,00% задач SWE-bench Pro V2 против 73,31% у базовой Qwen3.6-35B-A3B. Здесь 642 задачи на запись оценки; использовался mini-SWE-agent 2.4.6 и повторное применение патча. На другом наборе — SWE-bench Multilingual, 300 задач на запись — авторы сообщают 66,44% против 63,44% с SWE-agent. Это два разных испытания, а не один общий рейтинг. Опубликованные таблицы собирают по три записи оценки на модель; авторы отдельно уточняют, что их порядок не означает три последовательных запуска или три случайные исходные настройки. Независимого воспроизведения Modelium не проводил. s1 s2

Важно не путать эту модель с ранее выпущенной Logics-SWE-Qwen3.6-27B. В опубликованных авторских таблицах результат 27B на SWE-bench Pro V2 выше результата новой 35B-A3B; из новой карточки нельзя сделать вывод, что более крупная по имени модель лучше во всех задачах. s2

Кому это полезно и что проверить перед использованием?

Это вариант для разработчика, который уже умеет подключать локальную модель к агенту программирования и тестировать изменения на своём проекте. Официальный пример предполагает локальный сервер vLLM; он не задаёт минимальные требования к обычному домашнему компьютеру. Размер загружаемых файлов нельзя превращать в обещание, сколько нужно оперативной или видеопамяти. Для первого знакомства с локальным ИИ это не самый простой путь. s1

Практическая проверка на своём безопасном тестовом проекте: попросите модель объяснить конкретную ошибку и предложить небольшой патч, затем самостоятельно запустите существующие тесты и проверьте, не затронуты ли посторонние файлы. Успех — воспроизводимое исправление на ваших тестах, а не убедительный текст ответа модели. Не предоставляйте агенту доступ к рабочим секретам ради такой пробы.

Карточка именно этого набора весов указывает Apache-2.0; базовая модель Qwen3.6-35B-A3B также имеет отдельный файл лицензии Apache-2.0. Это сведения о правах на модель, не автоматическое разрешение на любой сторонний код, данные для обучения или применение результата без проверки. В репозитории новой модели отдельный LICENSE-файл не размещён, а условия сторонних компонентов следует читать отдельно. s1 s4

Следующий шаг: откройте карточку оригинальных весов и сравните описанный сценарий с собственным инструментом программирования; только затем пробуйте модель на копии проекта. s1