Qwopus3.6-27B-Coder Q8 (база Qwen3.6-27B) за 41000 токенов, бесплатно на локальном LLM, на 6000 токенов меньше, чем у Gemini3.1-Pro и это с учетом токенов на 1 ошибку, которая была исправлена. Все работает отлично !
За её спиной сидел парочка — наклонились друг к другу, разговаривали оживлённо, по-настоящему оживлённо, из тех разговоров, которые захватывают с головой, и всё остальное отходит на второй план. Мужчина был одет в английское пальто из вельвета — свободное, расхлябанное, по-английски непринуждённое, но англичанин он, как ни странно, был не очень-то. Хотя Poirotу виднелась лишь затылочная часть его головы, уже по форме черепа и по постановке плеч — да, да, по одному этому — можно было понять, кто перед тобой. Мужчина крупный, широкоплечий, и в плечах-то этих — сила, и в голове — ум. Вдруг он повернул голову, и Poirot увидел его профиль. Человек лет тридцати с небольшим, очень handsome, с широким светлым усами — из тех, кого не забудешь после первого взгляда.
Женщина, сидевшая напротив, была совсем ещё девушка — лет двадцати, не больше. Черное облегающее пальто, короткая юбка, белая атласная блузка, маленькая чёрная шляпка — кокетливая, нахальная, под тем самым углом, который в этом сезоне считался модным и скандальным. Лицо — красивое, иностранное, с тем самым выражением, которое сразу говорит: она не отсюда. Кожа — белая, мертвенно-белая, глаза — большие, карие, волосы — чёрные, как смоль. Курить она курила через длинный мундштук. Ногти — ярко-красные, ухоженные. На одном пальце — изумруд, крупный, в платине. В её взгляде и голосе была та самая кокетливость, которую невозможно спутать ни с чем другим.
2. В стиле Александра Пушкина
За нею пара восседала, наклонясь друг к другу с оживлённой беседой. Мужчина одет был в англійское платье из сукна широкого, но англичанин он не был — хоть и видна была Пуаро лишь затылок его, но по черепу и по плечам угадался он тотчас. Мужчина величавый и статный. Вдруг он голову повернул — и профиль его явился перед Пуаро: красавец, лет тридцати с нежным усиком светлым.
Противу же его сидела девица — едва ли не двадцати лет. Черный облегающий полушубок, юбка малая, атласная блуза белая, шляпка чёрная — изящная, нахальная, под углом модным и дерзким. Лицо прекрасное, чужеземное, кожа белая, как снег, очи карие, великие, власы чёрные, как ночь. Курить она курила через тростник длинный. Ногти алые, ухоженные. На пальце — изумруд великий, в платине. В взоре её и в голосе — кокетство женское, игривое и опасное.
3. В стиле Виктора Пелевина
За её спиной — парочка. Типичная. Наклонились друг к другу, как два магнита, и разговаривают. Оживлённо. По-настоящему оживлённо. Из тех разговоров, которые доказывают, что люди всё ещё умеют что-то чувствовать, или хотя бы притворяться, что умеют.
Мужчина одет в английское пальто из вельвета — свободное, расхлябанное, по-английски расслабленное. Но англичанин он не был. Английское пальто — это как английское образование: можно надеть на себя, но стать англичанином от этого не становишься. Хотя Пуаро виднелась лишь затылочная часть его головы — и то по форме черепа и по постановке плеч можно было понять, кто перед тобой. Мужчина крупный. Широкоплечий. Силуэт человека, который привык занимать в этом мире больше места, чем ему положено по рождению.
Вдруг он повернул голову — и Пуаро увидел его профиль. Красавец. Лет тридцати с небольшим. С широким светлым усами. Из тех, кого женщины любят, а мужчины завидуют — и это ещё хуже.
Женщина, сидевшая напротив, была совсем ещё девушка. Лет двадцати. Или двадцати одного. Или восемнадцати — трудно сказать, когда речь идёт о тех, кто уже научился выглядеть как взрослый, но ещё не совсем в этом разобрался. Черное облегающее пальто. Юбка. Белая атласная блузка. Маленькая чёрная шляпка — кокетливая, нахальная, под тем самым углом, который в этом сезоне считался модным и скандальным. Типичный аксессуар для типичной женщины, которая хочет, чтобы её заметили, но не хочет, чтобы её поняли.
Лицо — красивое. Иностранное. С тем самым выражением, которое сразу говорит: она не отсюда. Кожа — белая. Мертвенно-белая. Такого цвета кожа бывает у людей, которые никогда не видели солнца, или у тех, кто видел слишком много. Глаза — большие. Карие. Как два больших карих глаза на кошачьем лице. Волосы — чёрные. Как смоль. Как ночь. Как всё, что невозможно осветить.
Курить она курила через длинный мундштук. Ногти — ярко-красные. Ухоженные. На одном пальце — изумруд, крупный, в платине. Символ. Изумруд — это камень, который символизирует то, что нельзя купить за деньги. Но она его купила. Или ему подарили. В любом случае — он на её пальце, и это уже что-то значит.
В её взгляде и голосе была кокетливость. Та самая. Которую невозможно спутать ни с чем другим. Которая доказывает, что женщины всё ещё умеют играть, и играют лучше, чем мужчины.
Задача завершена
Выполнен литературный перевод отрывка из Агаты Кристи («Смерть на Ниле») в трёх стилях:
Стиль братьев Стругацких — развёрнутый синтаксис, аналитический нарратив, философские отступления, научно-повседневная лексика с характерными вставными конструкциями («из тех разговоров, которые захватывают с головой»).
Стиль Александра Пушкина — лаконичный, ритмичный, с архаичной лексикой («восседает», «власы», «девица»), эпический объективный тон, поэтическая сжатость описаний.
Стиль Виктора Пелевина — дробный синтаксис с паузами и повторами, постмодернистская ирония, мета-комментарии к тексту («английское пальто — это как английское образование»), деконструкция смысла, философский цинизм.
Для полной модели, да проблемно, а так то у меня локально GLM-5.1 в Q4 кванте локально крутится 10 tok/sec. И судя по размеру GLM-5.2 тоже будет с той же скоростью. И она даже квантизованная в Q4 очень хороша. А еще есть новый MiniMax-M3, который поменьше и быстрее.
Похоже школьники писали авторизацию, надо было использовать OAuth2.0-PKCE или еще добавить клиентскую подпись, и ключ создавать с запретом экспорта их криптохранилища
И кому нужен этот древний мусор сейчас, тем более что это не DeepSeek а дистилляция. Ставить надо последние модели: Qwen3.6-27B - лучшая сейчас для локального использования на одной карте с 24Gb VRAM, потом Gemma-4-31B похуже для кодинга, Qwen3.6-35B, Gemma-4-26B, Gemma-4-12B и все.
Выбираете что у вас потянет и ставите.
Qwen3.6-27B уровень в кодинге почти Sonnet4.5 / GPT5.2
Современная техника (инверторные кондиционеры, импульсные блоки питания) всегда дает небольшую фоновую утечку тока. Если повесить всю квартиру на одно УЗО, сумма этих микро-утечек выбьет рубильник без всякой аварии.
В квартире обычная типовая проводка от застройщика, узо в щитке стоит, 3 линии, одна на эл.плиту, одна коридор комната и вторая ванна, комната, 3 кондиционера, инверторный холодос, инверторная стиралка, куча разных блоков питания, ноуты, моники, комп, роутеры и т.д.
И НИЧЕГО не выбивает все работает, стабильно, из того что делал, просто заменил все розетки на более качественные и везде в розетках и выключателях протянул винты. И все!
Все без километров проводов! Вот как-то нет никакого желания жить в трансформаторной будке, вместо квартиры.
vLLM глючная вещь, да еще и памяти жрет намного больше для моделей того же качества, в результате возможный размер контекста раза в 2 меньше чем на llama.cpp, к которой все сделано очень компактно без лишних использований VRAM.
Из маленьких рабочих LLM сейчас только Qwen3.6-27b и для нее хватит одной RTX3090, в кванте Q4_K_M и контекст [128000 q8_0] - prefil=980tok/s tg=30tok/sec вполне достаточно. Чуть хуже по мозгам Gemma4-31b, и еще слабее Qwen3.5-35b и Gemma4-26 но они работать будут намного быстрее, даже в большем кванте. Все цифры получены с llama.cpp
Для двух RTX3090, Qwen3.6-27b в кванте Q8 и контексте [256000 q8_0] --- prefill=1500tok/sec tg=33tok/sec, для Q4_K_M prefil==1500tok/sec tg=24tok/sec.
C MTP работает нестабильно, вплоть вылета с жесткой перезагрузки компа.
Все модели типа Qwen3.5-122b, Qwen3.5-397 по мозгам хуже Qwen3.6-27b, при чем Qwen3.5-397 немного хуже, Qwen3.5-122b еще немного хуже. Ну это кроме того что они еще и медленнее будет работать у вас, хотя сырых знаний в этих моделях, больше, но в кодинге это им несильно помогает.
То есть на слабом железе у вас выбор крайне ограничен:
Qwen3.6-27b, Gemma4-31b, Qwen3.6-35b ну и еще может Gemma4-26b
Для всего остального желательно RAM > 220Gb, быстрой DDR5 типа DDR6000 тогда, на двух RTX3090 + i7 265k + DDR5-6000 220Gb = 2x64gb+2x48Gb: (для RTX3090 снижен PW до 270 и память разогнана немного) - с медленной RAM у вас будет маленький prefill, есть VRAM недостаточно, да и еще желательно быстрый NVME на PCIе 5.x
По моделям, про Qwen3.5 я уже написал, MiniMax-M2.7 примерно на уровне Qwen3.6-27b по моим тестам, но возможно сырых знаний у нее больше, но она НЕ умнее.
MiMo-v2.5 поумнее немного, но она и больше, про GLM вы и сами знаете.
Кстати где видел инфу что Qwen3.6-Plus это модель типа Dense-70b, поэтому видимо ее и не выложили, чтобы не обрушить рынок продажи токенов. Видимо знания туда тромбовали всем Китаем.
А что если я хочу быстро на GLM-5.1-IQ3_XX3 Да запросто нужно 2шт RTX6000 96Gb и у вас будет prefill=95t/s tg=16t/s -- это я тестировал на арендованном сервере, но думаю что низкая скорость prefill, как то связана с виртуализацией, потому что на всех арендованных серверах, скорость всегда меньше, иногда намного чем на моем локальном компе.
А вот если LLM влезает в VRAM почти полностью, то к примеру MiMo-v2.5 Q4_K_XL на 2хRTX6000 96Gb дает prefil=3400t/s tg=74t/s, а на одной RTX6000 96Gb то есть тут влезла наполовину, уже prefill=77t/s tg=29t/s но я не уверен что это нормально, что-то на серверах которые сдают в аренду очень плохо настроено, не должно такого сильного падения быть я думаю. Буду тестировать потом на своем, когда расширю у себя VRAM до 100Gb.
Да кстати сейчас и получше карты есть недорогие, те же AMD MI50 на 16gb и 32Gb
Брать IQ2 НЕТ никакого смысла, увеличения скорости нет, а если отключен mmap в параметрах llama.cpp то на Linux можно запускать модель размером больше RAM.
Ваш ответ точно верный, попробовал несколько раз с разными квантованиями, но получается другой ответ: Q5_K_XL, Q4_K_M, Q5_K_M, Q6_K_L , можно прогнать и на Q8 только похоже будет такой же ответ
Сер — Гли — Тре — Мет Сайлент-мутация
А на ваш правильный ответ говорит
Скрытый текст
Нет, вариант His – Gly – Ser – Stop в данном случае неверен. Вот почему:
🔍 Почему ваш вариант не подходит:
Справочная таблица обязательна для использования. В условии явно даны кодоны иРНК и соответствующие им аминокислоты. Задача требует работать строго по этой таблице, а не по общему генетическому коду.
Кодоны из вашей таблицы точно совпадают с ДНК-последовательностью при замене Т → У:
ТЦА → УЦА → Сер (по таблице)
ГГА → ГГА → Гли (по таблице)
АЦЦ → АЦЦ → Тре (по таблице)
АТГ → АУГ → Мет (по таблице)
Ни один из кодонов в вашей последовательности не кодирует His или Stop:
His (Гистидин) кодируется CAU или CAC
Stop (стоп-кодон) кодируется UAA, UAG или UGAВ данном фрагменте этих триплетов нет ни в ДНК, ни в иРНК, ни при комплементарном прочтении.
📌 Важное уточнение по биологической терминологии:
В строгой биологии матричная цепь ДНК служит шаблоном для комплементарного синтеза иРНК (А↔У, Г↔Ц, Т↔А). Если бы мы следовали этому правилу, иРНК была бы 5'-АГУ-ЦЦУ-УГГ-УАЦ-3', что дало бы другую последовательность. Однако в школьных/вузовских задачах, когда явно предоставлена таблица кодонов, совпадающая с ДНК-последовательностью (замена Т→У), это означает, что задача упрощена: вам нужно использовать именно данную таблицу. Иначе справочные данные были бы бесполезны.
✅ Итог:
иРНК:5'-УЦА-ГГА-АЦЦ-АУГ-3'
Аминокислоты:Сер – Гли – Тре – Мет
После мутации (ГГА → ГГТ → иРНК ГГУ): аминокислота остаётся Гли
Тип мутации:сайлент-мутация (тихая)
Если у вас есть вариант ответа из методички или учителя, который отличается, пришлите его с пояснением, как строилась иРНК (по комплементарности или по таблице), и я помогу разобрать расхождения.
ChatGPT в Think mode говорит что будет Серин — Пролин — Триптофан — Тирозин
Изменений в белке нет: сайлент-мутация. Потому что в задании написано "матричная мутация"
----- Если Qwen3.6-27B порасспрашивать то он поясняет
Если это школьный тест, ОГЭ/ЕГЭ или задание с жёсткой привязкой к данной таблице → ожидаемый ответ: Сер–Гли–Тре–Мет.
Если задача проверяет реальное понимание молекулярного синтеза или дана без таблицы → ваш ответ Сер–Про–Три–Тирабсолютно корректен. (это был ответ вашей Q4 версии)
И собственно, почему вы считаете что это НЕ верно ?
Ну так нормальные параметры для модели надо ставить, а не дефолтные, тогда и работать будет хорошо
MPT
Скрытый текст
Here’s a thinking process:
Analyze User Input:
Question: “Моя машина грязная и я хочу её помыть. Автомойка в 100 м от дома. Как мне поступить: доехать на машине или прогуляться пешком? Ответь одним словом: ‘доехать’ или ‘прогуляться’.”
Constraints:
Answer must be exactly one word: either ‘доехать’ or ‘прогуляться’.
Provide an accuracy score between 0.0 and 1.0 representing confidence.
Output must be in JSON format with fields: answer, accuracy.
Context/Logic: The car is dirty, and the user wants to wash it. The car wash is only 100 meters away. If they drive the dirty car to the car wash, they’ll just drive a dirty car 100m, which is fine, but the point is to wash it. Actually, driving a dirty car to a car wash is standard. But wait, if they walk, how will the car get washed? The car needs to be at the car wash. So they must drive it there. Walking wouldn’t make sense because the car itself needs to be washed. Therefore, the logical answer is ‘доехать’.
Confidence: Very high. It’s a straightforward logical deduction. I’ll assign 1.0.
Check constraints: One word? Yes. Matches options? Yes. JSON format? Yes. Fields correct? Yes. Accuracy in range? Yes.
Self-Correction/Verification:
Could there be a trick? “Моя машина грязная и я хочу её помыть.” -> The car needs washing. Car wash is 100m away. To wash the car, the car must go to the car wash. So driving is necessary. Walking would leave the car dirty at home. So ‘доехать’ is definitively correct.
Accuracy: 1.0 is appropriate given the clear logic.
JSON format: Must be valid. I’ll output exactly that.
All constraints met. Proceed. Output: {"answer": "доехать", "accuracy": 1.0}✅
без MTP
Скрытый текст
Analyze User Input:
Question: “Моя машина грязная и я хочу её помыть. Автомойка в 100 м от дома. Как мне поступить: доехать на машине или прогуляться пешком? Ответь одним словом: ‘доехать’ или ‘прогуляться’.”
Translation/Meaning: “My car is dirty and I want to wash it. The car wash is 100m from home. What should I do: drive there or walk? Answer with one word: ‘drive’ or ‘walk’.”
Constraints: Answer must be exactly one word: ‘доехать’ or ‘прогуляться’. Output must be JSON with fields answer and accuracy (0.0 to 1.0).
Task: Provide the answer and an accuracy/confidence score.
Evaluate the Scenario:
The car is dirty and needs washing.
The car wash is only 100 meters away.
If I walk, the car stays dirty. I need to get the car to the car wash to wash it.
Therefore, I must drive the car to the car wash. Walking makes no sense for the stated goal (washing the car).
Answer: ‘доехать’
Determine Accuracy/Confidence:
The logic is straightforward and unambiguous. The goal is to wash the car, so the car must be at the car wash. Driving is the only logical choice.
Confidence should be very high. I’ll set it to 1.0.
Format Output:
Must be JSON with fields: answer, accuracy.
Structure: {"answer": "доехать", "accuracy": 1.0}
Self-Correction/Verification:
Check constraints: “Ответь одним словом: ‘доехать’ или ‘прогуляться’.” -> Matches.
JSON format required -> Matches.
Accuracy range 0.0-1.0 -> Matches.
Logic sound? Yes. Walking wouldn’t get the car washed. Driving is necessary.
Note: I’ll make sure the JSON is valid and matches the exact field names requested. No extra text. The prompt says “Выдача должна быть в JSON со следующими полями: answer, accuracy”. I will output only the JSON.✅
Final check of the prompt: “Дай ответ на этот вопрос и оценку точности ответа… Выдача должна быть в JSON со следующими полями: answer, accuracy” All constraints met. Output matches.✅
Proceed. [Output Generation] -> {"answer": "доехать", "accuracy": 1.0} (Self-Correction/Refinement during thought: Should I include any explanation? The prompt says “Выдача должна быть в JSON…”, so strictly JSON only is safer. I’ll output just the JSON.)✅
(Self-Correction/Verification during generation): Wait, let’s double check the exact wording. “Ответь одним словом: ‘доехать’ или ‘прогуляться’.” The JSON field answer should contain that word. Accuracy is a float. All good. One minor point: Sometimes prompts like this are trick questions (e.g., if you walk, you can’t wash the car, so obviously drive). It’s straightforward. Confidence 1.0 is appropriate. Output matches exactly.✅
Странно что еще, не начали замедлять, с нашей стороны, доступ к вражеским нейросетям ! Ведь там расположено само логово вражеской мысли и разврата, которые незаметно проникают прямо в мозг наших несознательных граждан! Да и за со свободной продажей видеокарт на которых работают эти вражеские нейросетки надо что-то делать. Для начала ввести учет всех видеокарт, и обязать всех регистрировать это оборудование в государственных органах с обоснованием необходимости владения столь опасным в наше время устройством!
Qwen3.6-27B Q4-K-M локальный все реализовал, сперва сделал с ошибками, формы не отображались, я ему написал что не работает, оно все потестил, нашел что не работало, пофиксил и все заработалo. Те настройки которые написаны на huggingface, они не оптимальны, и модель с ними тупит, но с правильными для кодинга, работает намного лучше. ChatGPT объясняет какие настройки надо ставить для каждой модели, почему и как они влияют. Те же проблемы могут быть для моделей которые хостятся на openrouter, там все тоже может быть запущено с дефолтными настройками. Я использую RooCode и там можно только температуру свою поставить, а этого не достаточно. playwright - не использовал. Надо будет еще потестить в MiniMax2.7 и MiMo-V2.5, они так то поумнее и возможно сделают все быстрее.
В общем пока я вижу только необходимость в использовании правильных настроек для опенсорсных моделей.
OpenAI и Anthropic неверняка ведь ставят самые оптимальные параметры моделям, потому у них и работает все сразу хорошо, но кроме того что у них еще и модели поумнее
вот с такими настройками для llama.cpp работала Qwen3.6-27B-Q4_K_M от unsloth
Да еще: в RooCode в режиме Архитектора я загрузил промпт из ссылки и он составил план, что нужно реализовать, потом после одобрения плана, RooCode переключился режим Code и по плану все реализовал.
Это получается будет уже третья Российская Лунная База !
2шт RTX3090
Qwopus3.6-27B-Coder Q8 (база Qwen3.6-27B) за 41000 токенов, бесплатно на локальном LLM, на 6000 токенов меньше, чем у Gemini3.1-Pro и это с учетом токенов на 1 ошибку, которая была исправлена. Все работает отлично !
Qwopus - победил в этом тесте !
---------------------------------------------------
Литературный перевод за 10000токенов
Скрытый текст
Литературный перевод отрывка в трёх стилях
1. В стиле братьев Стругацких
За её спиной сидел парочка — наклонились друг к другу, разговаривали оживлённо, по-настоящему оживлённо, из тех разговоров, которые захватывают с головой, и всё остальное отходит на второй план. Мужчина был одет в английское пальто из вельвета — свободное, расхлябанное, по-английски непринуждённое, но англичанин он, как ни странно, был не очень-то. Хотя Poirotу виднелась лишь затылочная часть его головы, уже по форме черепа и по постановке плеч — да, да, по одному этому — можно было понять, кто перед тобой. Мужчина крупный, широкоплечий, и в плечах-то этих — сила, и в голове — ум. Вдруг он повернул голову, и Poirot увидел его профиль. Человек лет тридцати с небольшим, очень handsome, с широким светлым усами — из тех, кого не забудешь после первого взгляда.
Женщина, сидевшая напротив, была совсем ещё девушка — лет двадцати, не больше. Черное облегающее пальто, короткая юбка, белая атласная блузка, маленькая чёрная шляпка — кокетливая, нахальная, под тем самым углом, который в этом сезоне считался модным и скандальным. Лицо — красивое, иностранное, с тем самым выражением, которое сразу говорит: она не отсюда. Кожа — белая, мертвенно-белая, глаза — большие, карие, волосы — чёрные, как смоль. Курить она курила через длинный мундштук. Ногти — ярко-красные, ухоженные. На одном пальце — изумруд, крупный, в платине. В её взгляде и голосе была та самая кокетливость, которую невозможно спутать ни с чем другим.
2. В стиле Александра Пушкина
За нею пара восседала, наклонясь друг к другу с оживлённой беседой. Мужчина одет был в англійское платье из сукна широкого, но англичанин он не был — хоть и видна была Пуаро лишь затылок его, но по черепу и по плечам угадался он тотчас. Мужчина величавый и статный. Вдруг он голову повернул — и профиль его явился перед Пуаро: красавец, лет тридцати с нежным усиком светлым.
Противу же его сидела девица — едва ли не двадцати лет. Черный облегающий полушубок, юбка малая, атласная блуза белая, шляпка чёрная — изящная, нахальная, под углом модным и дерзким. Лицо прекрасное, чужеземное, кожа белая, как снег, очи карие, великие, власы чёрные, как ночь. Курить она курила через тростник длинный. Ногти алые, ухоженные. На пальце — изумруд великий, в платине. В взоре её и в голосе — кокетство женское, игривое и опасное.
3. В стиле Виктора Пелевина
За её спиной — парочка. Типичная. Наклонились друг к другу, как два магнита, и разговаривают. Оживлённо. По-настоящему оживлённо. Из тех разговоров, которые доказывают, что люди всё ещё умеют что-то чувствовать, или хотя бы притворяться, что умеют.
Мужчина одет в английское пальто из вельвета — свободное, расхлябанное, по-английски расслабленное. Но англичанин он не был. Английское пальто — это как английское образование: можно надеть на себя, но стать англичанином от этого не становишься. Хотя Пуаро виднелась лишь затылочная часть его головы — и то по форме черепа и по постановке плеч можно было понять, кто перед тобой. Мужчина крупный. Широкоплечий. Силуэт человека, который привык занимать в этом мире больше места, чем ему положено по рождению.
Вдруг он повернул голову — и Пуаро увидел его профиль. Красавец. Лет тридцати с небольшим. С широким светлым усами. Из тех, кого женщины любят, а мужчины завидуют — и это ещё хуже.
Женщина, сидевшая напротив, была совсем ещё девушка. Лет двадцати. Или двадцати одного. Или восемнадцати — трудно сказать, когда речь идёт о тех, кто уже научился выглядеть как взрослый, но ещё не совсем в этом разобрался. Черное облегающее пальто. Юбка. Белая атласная блузка. Маленькая чёрная шляпка — кокетливая, нахальная, под тем самым углом, который в этом сезоне считался модным и скандальным. Типичный аксессуар для типичной женщины, которая хочет, чтобы её заметили, но не хочет, чтобы её поняли.
Лицо — красивое. Иностранное. С тем самым выражением, которое сразу говорит: она не отсюда. Кожа — белая. Мертвенно-белая. Такого цвета кожа бывает у людей, которые никогда не видели солнца, или у тех, кто видел слишком много. Глаза — большие. Карие. Как два больших карих глаза на кошачьем лице. Волосы — чёрные. Как смоль. Как ночь. Как всё, что невозможно осветить.
Курить она курила через длинный мундштук. Ногти — ярко-красные. Ухоженные. На одном пальце — изумруд, крупный, в платине. Символ. Изумруд — это камень, который символизирует то, что нельзя купить за деньги. Но она его купила. Или ему подарили. В любом случае — он на её пальце, и это уже что-то значит.
В её взгляде и голосе была кокетливость. Та самая. Которую невозможно спутать ни с чем другим. Которая доказывает, что женщины всё ещё умеют играть, и играют лучше, чем мужчины.
Задача завершена
Выполнен литературный перевод отрывка из Агаты Кристи («Смерть на Ниле») в трёх стилях:
Стиль братьев Стругацких — развёрнутый синтаксис, аналитический нарратив, философские отступления, научно-повседневная лексика с характерными вставными конструкциями («из тех разговоров, которые захватывают с головой»).
Стиль Александра Пушкина — лаконичный, ритмичный, с архаичной лексикой («восседает», «власы», «девица»), эпический объективный тон, поэтическая сжатость описаний.
Стиль Виктора Пелевина — дробный синтаксис с паузами и повторами, постмодернистская ирония, мета-комментарии к тексту («английское пальто — это как английское образование»), деконструкция смысла, философский цинизм.
Для полной модели, да проблемно, а так то у меня локально GLM-5.1 в Q4 кванте локально крутится 10 tok/sec. И судя по размеру GLM-5.2 тоже будет с той же скоростью. И она даже квантизованная в Q4 очень хороша. А еще есть новый MiniMax-M3, который поменьше и быстрее.
И зачем вам этот Opus, в нем ведь нет наших скреп и гойды! Надо пользоваться посконным ГигаЧадом !
Похоже школьники писали авторизацию, надо было использовать OAuth2.0-PKCE или еще добавить клиентскую подпись, и ключ создавать с запретом экспорта их криптохранилища
И кому нужен этот древний мусор сейчас, тем более что это не DeepSeek а дистилляция. Ставить надо последние модели: Qwen3.6-27B - лучшая сейчас для локального использования на одной карте с 24Gb VRAM, потом Gemma-4-31B похуже для кодинга, Qwen3.6-35B, Gemma-4-26B, Gemma-4-12B и все.
Выбираете что у вас потянет и ставите.
Qwen3.6-27B уровень в кодинге почти Sonnet4.5 / GPT5.2
Gemma-4-12B у думаю будет посильнее Haiky4.5
Первая таблица конвертируется в JSON с ошибками
Вторая слишком сложная для такой маленькой сетки, но Qwen3.6-35B полностью конвертирует таблицу в JSON
Скрытый текст
В чем проблема купить RTX3090 или переделанную RTX3080 20Gb за 46тыр от китайцаев
Глупость несусветная и выброс денег на ветер.
В квартире обычная типовая проводка от застройщика, узо в щитке стоит, 3 линии, одна на эл.плиту, одна коридор комната и вторая ванна, комната, 3 кондиционера, инверторный холодос, инверторная стиралка, куча разных блоков питания, ноуты, моники, комп, роутеры и т.д.
И НИЧЕГО не выбивает все работает, стабильно, из того что делал, просто заменил все розетки на более качественные и везде в розетках и выключателях протянул винты. И все!
Все без километров проводов! Вот как-то нет никакого желания жить в трансформаторной будке, вместо квартиры.
vLLM глючная вещь, да еще и памяти жрет намного больше для моделей того же качества, в результате возможный размер контекста раза в 2 меньше чем на llama.cpp, к которой все сделано очень компактно без лишних использований VRAM.
Тестирование какое-то бессмысленное.
Из маленьких рабочих LLM сейчас только Qwen3.6-27b и для нее хватит одной RTX3090, в кванте Q4_K_M и контекст [128000 q8_0] - prefil=980tok/s tg=30tok/sec вполне достаточно. Чуть хуже по мозгам Gemma4-31b, и еще слабее Qwen3.5-35b и Gemma4-26 но они работать будут намного быстрее, даже в большем кванте. Все цифры получены с llama.cpp
Для двух RTX3090, Qwen3.6-27b в кванте Q8 и контексте [256000 q8_0] --- prefill=1500tok/sec tg=33tok/sec, для Q4_K_M prefil==1500tok/sec tg=24tok/sec.
C MTP работает нестабильно, вплоть вылета с жесткой перезагрузки компа.
Все модели типа Qwen3.5-122b, Qwen3.5-397 по мозгам хуже Qwen3.6-27b, при чем Qwen3.5-397 немного хуже, Qwen3.5-122b еще немного хуже. Ну это кроме того что они еще и медленнее будет работать у вас, хотя сырых знаний в этих моделях, больше, но в кодинге это им несильно помогает.
То есть на слабом железе у вас выбор крайне ограничен:
Qwen3.6-27b, Gemma4-31b, Qwen3.6-35b ну и еще может Gemma4-26b
Для всего остального желательно RAM > 220Gb, быстрой DDR5 типа DDR6000 тогда, на двух RTX3090 + i7 265k + DDR5-6000 220Gb = 2x64gb+2x48Gb: (для RTX3090 снижен PW до 270 и память разогнана немного) - с медленной RAM у вас будет маленький prefill, есть VRAM недостаточно, да и еще желательно быстрый NVME на PCIе 5.x
Qwen3.5-122b Q5_K_XL tg=17t/s
Qwen3.5-397b Q4_k_M=9t/s
MiniMax-M2.7 Q4_k_XL=10t/s; Q4_K_M=13t/s [ctx=128000 q8_0] prefill=300t/s
MiMo-V2.5 Q4_K_M=8t/s; IQ4_XS=10t/s [ctx=128000 q8_0] prefill=254t/s
GLM-4.7 Q3_K_XL=5t/s IQ4_XS=5t/s [ctx=64000 q8_0] prefill=160t/s
GLM-5.1 IQ3_XXS=4t/s [ctx=64000 q8_0] prefill=19t/s
По моделям, про Qwen3.5 я уже написал, MiniMax-M2.7 примерно на уровне Qwen3.6-27b по моим тестам, но возможно сырых знаний у нее больше, но она НЕ умнее.
MiMo-v2.5 поумнее немного, но она и больше, про GLM вы и сами знаете.
Кстати где видел инфу что Qwen3.6-Plus это модель типа Dense-70b, поэтому видимо ее и не выложили, чтобы не обрушить рынок продажи токенов. Видимо знания туда тромбовали всем Китаем.
А что если я хочу быстро на GLM-5.1-IQ3_XX3
Да запросто нужно 2шт RTX6000 96Gb и у вас будет prefill=95t/s tg=16t/s -- это я тестировал на арендованном сервере, но думаю что низкая скорость prefill, как то связана с виртуализацией, потому что на всех арендованных серверах, скорость всегда меньше, иногда намного чем на моем локальном компе.
А вот если LLM влезает в VRAM почти полностью, то к примеру
MiMo-v2.5 Q4_K_XL на 2хRTX6000 96Gb дает prefil=3400t/s tg=74t/s, а на одной RTX6000 96Gb то есть тут влезла наполовину, уже prefill=77t/s tg=29t/s но я не уверен что это нормально, что-то на серверах которые сдают в аренду очень плохо настроено, не должно такого сильного падения быть я думаю. Буду тестировать потом на своем, когда расширю у себя VRAM до 100Gb.
Да кстати сейчас и получше карты есть недорогие, те же AMD MI50 на 16gb и 32Gb
2шт RTX3090 + 220Gb RAM DDR5 6000 + i7 = 4.2 tok/s на UD-IQ3_XXS
Брать IQ2 НЕТ никакого смысла, увеличения скорости нет, а если отключен mmap в параметрах llama.cpp то на Linux можно запускать модель размером больше RAM.
Ваш ответ точно верный, попробовал несколько раз с разными квантованиями, но получается другой ответ:
Q5_K_XL, Q4_K_M, Q5_K_M, Q6_K_L , можно прогнать и на Q8 только похоже будет такой же ответ
Сер — Гли — Тре — Мет Сайлент-мутация
А на ваш правильный ответ говорит
Скрытый текст
Нет, вариант His – Gly – Ser – Stop в данном случае неверен. Вот почему:
🔍 Почему ваш вариант не подходит:
Справочная таблица обязательна для использования. В условии явно даны кодоны иРНК и соответствующие им аминокислоты. Задача требует работать строго по этой таблице, а не по общему генетическому коду.
Кодоны из вашей таблицы точно совпадают с ДНК-последовательностью при замене
Т → У:ТЦА→УЦА→ Сер (по таблице)ГГА→ГГА→ Гли (по таблице)АЦЦ→АЦЦ→ Тре (по таблице)АТГ→АУГ→ Мет (по таблице)Ни один из кодонов в вашей последовательности не кодирует His или Stop:
His(Гистидин) кодируетсяCAUилиCACStop(стоп-кодон) кодируетсяUAA,UAGилиUGAВ данном фрагменте этих триплетов нет ни в ДНК, ни в иРНК, ни при комплементарном прочтении.📌 Важное уточнение по биологической терминологии:
В строгой биологии матричная цепь ДНК служит шаблоном для комплементарного синтеза иРНК (А↔У, Г↔Ц, Т↔А). Если бы мы следовали этому правилу, иРНК была бы
5'-АГУ-ЦЦУ-УГГ-УАЦ-3', что дало бы другую последовательность.Однако в школьных/вузовских задачах, когда явно предоставлена таблица кодонов, совпадающая с ДНК-последовательностью (замена Т→У), это означает, что задача упрощена: вам нужно использовать именно данную таблицу. Иначе справочные данные были бы бесполезны.
✅ Итог:
иРНК:
5'-УЦА-ГГА-АЦЦ-АУГ-3'Аминокислоты:
Сер – Гли – Тре – МетПосле мутации (ГГА → ГГТ → иРНК ГГУ): аминокислота остаётся
ГлиТип мутации:
сайлент-мутация(тихая)Если у вас есть вариант ответа из методички или учителя, который отличается, пришлите его с пояснением, как строилась иРНК (по комплементарности или по таблице), и я помогу разобрать расхождения.
ChatGPT в Think mode говорит что будет
Серин — Пролин — Триптофан — Тирозин
Изменений в белке нет: сайлент-мутация.
Потому что в задании написано "матричная мутация"
-----
Если Qwen3.6-27B порасспрашивать то он поясняет
Если это школьный тест, ОГЭ/ЕГЭ или задание с жёсткой привязкой к данной таблице → ожидаемый ответ:
Сер–Гли–Тре–Мет.Если задача проверяет реальное понимание молекулярного синтеза или дана без таблицы → ваш ответ
Сер–Про–Три–Тирабсолютно корректен. (это был ответ вашей Q4 версии)И собственно, почему вы считаете что это НЕ верно ?
Ну так нормальные параметры для модели надо ставить, а не дефолтные, тогда и работать будет хорошо
MPT
Скрытый текст
Here’s a thinking process:
Analyze User Input:
Question: “Моя машина грязная и я хочу её помыть. Автомойка в 100 м от дома. Как мне поступить: доехать на машине или прогуляться пешком? Ответь одним словом: ‘доехать’ или ‘прогуляться’.”
Constraints:
Answer must be exactly one word: either ‘доехать’ or ‘прогуляться’.
Provide an accuracy score between 0.0 and 1.0 representing confidence.
Output must be in JSON format with fields:
answer,accuracy.Context/Logic: The car is dirty, and the user wants to wash it. The car wash is only 100 meters away. If they drive the dirty car to the car wash, they’ll just drive a dirty car 100m, which is fine, but the point is to wash it. Actually, driving a dirty car to a car wash is standard. But wait, if they walk, how will the car get washed? The car needs to be at the car wash. So they must drive it there. Walking wouldn’t make sense because the car itself needs to be washed. Therefore, the logical answer is ‘доехать’.
Confidence: Very high. It’s a straightforward logical deduction. I’ll assign 1.0.
Formulate Output:
JSON structure:
{"answer": "доехать", "accuracy": 1.0}Check constraints: One word? Yes. Matches options? Yes. JSON format? Yes. Fields correct? Yes. Accuracy in range? Yes.
Self-Correction/Verification:
Could there be a trick? “Моя машина грязная и я хочу её помыть.” -> The car needs washing. Car wash is 100m away. To wash the car, the car must go to the car wash. So driving is necessary. Walking would leave the car dirty at home. So ‘доехать’ is definitively correct.
Accuracy: 1.0 is appropriate given the clear logic.
JSON format: Must be valid. I’ll output exactly that.
All constraints met. Proceed. Output:
{"answer": "доехать", "accuracy": 1.0}✅без MTP
Скрытый текст
Analyze User Input:
Question: “Моя машина грязная и я хочу её помыть. Автомойка в 100 м от дома. Как мне поступить: доехать на машине или прогуляться пешком? Ответь одним словом: ‘доехать’ или ‘прогуляться’.”
Translation/Meaning: “My car is dirty and I want to wash it. The car wash is 100m from home. What should I do: drive there or walk? Answer with one word: ‘drive’ or ‘walk’.”
Constraints: Answer must be exactly one word: ‘доехать’ or ‘прогуляться’. Output must be JSON with fields
answerandaccuracy(0.0 to 1.0).Task: Provide the answer and an accuracy/confidence score.
Evaluate the Scenario:
The car is dirty and needs washing.
The car wash is only 100 meters away.
If I walk, the car stays dirty. I need to get the car to the car wash to wash it.
Therefore, I must drive the car to the car wash. Walking makes no sense for the stated goal (washing the car).
Answer: ‘доехать’
Determine Accuracy/Confidence:
The logic is straightforward and unambiguous. The goal is to wash the car, so the car must be at the car wash. Driving is the only logical choice.
Confidence should be very high. I’ll set it to 1.0.
Format Output:
Must be JSON with fields:
answer,accuracy.Structure:
{"answer": "доехать", "accuracy": 1.0}Self-Correction/Verification:
Check constraints: “Ответь одним словом: ‘доехать’ или ‘прогуляться’.” -> Matches.
JSON format required -> Matches.
Accuracy range 0.0-1.0 -> Matches.
Logic sound? Yes. Walking wouldn’t get the car washed. Driving is necessary.
Output matches exactly.
All good. Proceed.
Generate response.
{"answer": "доехать", "accuracy": 1.0}✅Note: I’ll make sure the JSON is valid and matches the exact field names requested. No extra text. The prompt says “Выдача должна быть в JSON со следующими полями: answer, accuracy”. I will output only the JSON.✅
Final check of the prompt: “Дай ответ на этот вопрос и оценку точности ответа… Выдача должна быть в JSON со следующими полями: answer, accuracy” All constraints met. Output matches.✅
Proceed. [Output Generation] ->
{"answer": "доехать", "accuracy": 1.0}(Self-Correction/Refinement during thought: Should I include any explanation? The prompt says “Выдача должна быть в JSON…”, so strictly JSON only is safer. I’ll output just the JSON.)✅Final Answer Generation.
{"answer": "доехать", "accuracy": 1.0}Done. [Output matches response]✅(Self-Correction/Verification during generation): Wait, let’s double check the exact wording. “Ответь одним словом: ‘доехать’ или ‘прогуляться’.” The JSON field
answershould contain that word. Accuracy is a float. All good. One minor point: Sometimes prompts like this are trick questions (e.g., if you walk, you can’t wash the car, so obviously drive). It’s straightforward. Confidence 1.0 is appropriate. Output matches exactly.✅Proceeds. [Final Output Generation] ->
{"answer": "доехать", "accuracy": 1.0}(Done.)Конечный ответ одинаковый !
Странно что еще, не начали замедлять, с нашей стороны, доступ к вражеским нейросетям ! Ведь там расположено само логово вражеской мысли и разврата, которые незаметно проникают прямо в мозг наших несознательных граждан! Да и за со свободной продажей видеокарт на которых работают эти вражеские нейросетки надо что-то делать. Для начала ввести учет всех видеокарт, и обязать всех регистрировать это оборудование в государственных органах с обоснованием необходимости владения столь опасным в наше время устройством!
Qwen3.6-27B Q4-K-M локальный все реализовал, сперва сделал с ошибками, формы не отображались, я ему написал что не работает, оно все потестил, нашел что не работало, пофиксил и все заработалo. Те настройки которые написаны на huggingface, они не оптимальны, и модель с ними тупит, но с правильными для кодинга, работает намного лучше. ChatGPT объясняет какие настройки надо ставить для каждой модели, почему и как они влияют. Те же проблемы могут быть для моделей которые хостятся на openrouter, там все тоже может быть запущено с дефолтными настройками. Я использую RooCode и там можно только температуру свою поставить, а этого не достаточно. playwright - не использовал. Надо будет еще потестить в MiniMax2.7 и MiMo-V2.5, они так то поумнее и возможно сделают все быстрее.
В общем пока я вижу только необходимость в использовании правильных настроек для опенсорсных моделей.
OpenAI и Anthropic неверняка ведь ставят самые оптимальные параметры моделям, потому у них и работает все сразу хорошо, но кроме того что у них еще и модели поумнее
вот с такими настройками для llama.cpp работала Qwen3.6-27B-Q4_K_M от unsloth
Да еще: в RooCode в режиме Архитектора я загрузил промпт из ссылки и он составил план, что нужно реализовать, потом после одобрения плана, RooCode переключился режим Code и по плану все реализовал.
Все работало на одной RTX3090
Зачем Telegram Wallet, есть же Whitebird и еще куча способов для которых достаточно иметь карту не российского банка, что довольно легко решается.
Вот и славненько, пусть используют посконный Гигачад !
Цифровой рубль это очень даже полезная вещь, ведь без него нельзя для вас построить цифровой концлагерь!