Я тут решил решил чуток заморочиться и протестировать локальные MOE модели на кодинг. Кодинг громко сказано - мои задачи исключительно игры причем на html, css, js. Но зато с таким набором можно сразу в продакшен, легко проверить без компиляций, кроссплатформенность ну и другие известные плюсы и минусы. На тесте побывало 10 моделей: Qwen 3.6 (MTP), KAT Coder V2.5, Gemma 4, Aurora-Code-1, Frontis, GLM 4.7 Flash, Ornith 1.0, Salience 1.5 Pro, Agents A1, GPT-oss 20b. Ссылки на модели есть в таблице результатов на которую ниже будет тоже ссылка. Многие из этих моделей сделаны на базе Qwen и тем интереснее было тестировать, потому что по бенчмаркам в карточках моделей на HF они часто превосходят своего учителя. Правда я сразу был настроен скептически и понимал что вряд ли они смогут составить реальную конкуренцию - хоть и дообучаются на кодинг, но такого рода тесты не очень как будто бы проходят, что собственно и подтверждает итоговая таблица с результатами (подсчитывал результаты Qwen3.8-Max):
Final = (Gameplay + Mobile + Visuals + Stability + Efficiency) × 2
Аналитику он брал с отдельной страницы (очень удобно что он может читать ссылки на страницы), где я свел описание ощущений играбельности и тестирования результатов в таблицы, так же скинул ему коллажи со скринами из игр, в общем +- я думаю этот рейтинг соответствует моим ощущениям по качеству. Таблицы и скрины тут: LLM_test. Сами игры в которые можно поиграть тут: LLM_test_games
Как все это делалось - я давал моделям абсолютно…
