# Локальная модель для программирования: что реально тянут 16–32 ГБ, когда облако под запретом

Source: https://provod.ai/ru/blog/n200-t157

Разбираем цифры, а не маркетинг: какая локальная модель для программирования и какое железо на 16–32 ГБ закрывают автодополнение и рефакторинг, а где заканчивается терпение ревьюера.

Два числа, которые стоит держать рядом. Официальный Aider-скор Qwen2.5-Coder-32B от самого Qwen — 73,7% на задачах code editing, [заявлено в техническом отчёте](https://arxiv.org/pdf/2409.12186). Независимый прогон той же модели на том же бенчмарке дал 72,9% — а Claude 3.5 Sonnet рядом показал 84,2%, [пишет автор failingfast.io](https://failingfast.io/local-coding-ai-models/). Разница между вендорской и сторонней цифрой для одной модели небольшая, зато разрыв до текущего облачного лидера — стабильные 10+ процентных пунктов. Это не «локальные модели плохие», это конкретная граница, за которой начинается ручной ревью.

За последний год граница честной применимости сдвинулась благодаря архитектуре, а не грубому росту параметров. MoE-модели активируют не всю сеть, а малую её часть на каждый токен: DeepSeek-Coder-V2-Lite-Instruct — 16 млрд параметров всего, но активных на инференсе только 2,4 млрд, [указано в карточке модели](https://huggingface.co/deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct). Qwen3-Coder-30B-A3B держит похожую пропорцию — 30,5 млрд общих против 3,3 млрд активных при контексте 256K, расширяемом до 1M, [сообщает карточка квантованной сборки Unsloth](https://huggingface.co/unsloth/Qwen3-Coder-30B-A3B-Instruct-GGUF). Devstral Small 2 идёт другим путём — плотные 24B параметров, но лицензия Apache 2.0 и заявленная работа на одной потребительской GPU или вовсе без выделенной видеокарты, [указано в релизе Mistral](https://mistral.ai/news/devstral-2-vibe-cli/). Именно эта комбинация — редкие активации у MoE и компактность у Devstral — впервые делает 16–32 ГБ рабочим диапазоном для реального проекта, а не для демо.

[Подключите модели для разработки с оплатой в рублях на provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=n200-t157)

## Таблица по тирам

Ориентир по VRAM для квантованных моделей: 7B требует около 5 ГБ, 14B — около 9 ГБ, 32B — около 20 ГБ, [указывает практический разбор на failingfast.io](https://failingfast.io/local-coding-ai-models/) — цифры без явного указания уровня квантования и контекстного окна, так что на длинных диалогах реальный расход памяти будет выше.

| Тир | Модель, квант | Уверенно тянет | Нужен ручной ревью |
| --- | --- | --- | --- |
| 16 ГБ | DeepSeek-Coder-V2-Lite-Instruct, Q4 GGUF | автодополнение, объяснение репозитория, простые unit-тесты | многофайловый рефакторинг, изменение архитектуры |
| 24 ГБ | Qwen3-Coder-30B-A3B, Q4 GGUF | генерация тестов по существующим паттернам, чат по всей кодовой базе (контекст до 256K) | сложные кросс-модульные diff, миграции API |
| 24 ГБ (альтернатива) | Devstral Small 2, 24B, Apache 2.0 | агентные правки одного-двух файлов, работа без выделенной GPU | рефакторинг, требующий контекста всего репозитория |
| 32 ГБ | Qwen2.5-Coder-32B-Instruct, Q4/Q5 GGUF | code editing на уровне 73–74% Aider, точечные правки, объяснение | архитектурные решения — Sonnet выше на 10+ п.п. |

Практическая связка для любого тира одна и та же: Ollama или llama.cpp плюс расширение Continue.dev в VS Code, две модели на разные задачи — например, `qwen2.5-coder:1.5b` для автодополнения и `qwen2.5-coder:7b` для чата, настройка через `config.json`, [шаги описаны в гайде SitePoint](https://www.sitepoint.com/local-ai-coding-assistant-complete-vs-code-ollama-continue-setup/). Автор гайда честно не приводит собственных замеров качества ответов — установка проверяема, польза от неё для конкретного репозитория нет.

Бен Холл, основатель Katacoda и автор failingfast.io, после практических тестов на своём железе даёт совет тем, кто не хочет разбираться в вариантах: «If you just want to have something chosen for you and get started, use Qwen as your default coding assistant» — и в том же материале отмечает, что модель проваливается именно на многофайловых архитектурных задачах, [комментарий на failingfast.io](https://failingfast.io/local-coding-ai-models/). Это совпадает с таблицей выше: Qwen2.5-Coder закрывает 32-гигабайтный тир для правок, но не для архитектуры.

## Возражение, которое чаще всего игнорируют

![02 evidence](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-695.png)

Самый частый аргумент за локальный запуск звучит так: код не покидает периметр, значит, комплаенс закрыт. Это неверно как минимум наполовину. По данным отчёта Cyberhaven Labs, число endpoint-агентов для кодинга выросло на 509% за 2025 год, а доля разработчиков, использующих AI-ассистентов, достигла 49,5% к декабрю 2025, [пишет Cyberhaven](https://www.cyberhaven.com/infosec-essentials/what-is-local-coding-agents) — это цифры вендора DLP-решений, заинтересованного в продаже продукта против описываемого риска, но масштаб проблемы они называют верно. Локальный запуск снимает один вектор — передачу кода стороннему API. Он не снимает доступ агента к shell, credentials и файловой системе, prompt injection через содержимое репозитория и supply-chain риски плагинов и MCP-серверов.

Саймон Уиллисон формулирует это резче: «I think we're due a Challenger disaster with respect to coding agent security» — имея в виду, что кодинг-агенты, включая локальные, массово работают с избыточным доступом к системе без контроля, [пост на simonwillison.net](https://simonwillison.net/2026/Jan/8/llm-predictions-for-2026/). nolabs.ai формулирует нейтральнее: локальные модели не более и не менее безопасны по умолчанию, у них другой профиль риска — снимается передача данных наружу, но вся ответственность за патчинг инфраструктуры и защиту от jailbreak меньших моделей ложится на организацию, [источник: nolabs.ai](https://nolabs.ai/blog/localmodels-security), и это признанно концептуальный разбор без собственных эмпирических тестов.

Практический вывод из этого спора не «не используйте локальные агенты», а «настройте права отдельно от вопроса, где физически лежат веса»: ограничьте доступ агента к shell до конкретных команд, держите MCP-серверы и плагины из проверенных источников, не давайте агенту доступ к credentials, которые не нужны для текущей задачи, и обновляйте модель и инструменты по расписанию, а не по факту инцидента.

## Не всякий запрет облака одинаков

![03 decision](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-695.png)

Формулировка «облако запрещено» на практике редко бывает тотальной. BNY Mellon заблокировал доступ к публичным LLM целиком, объяснив это фидуциарными требованиями к обработке данных, [кейс приводит moveo.ai](https://moveo.ai/blog/companies-that-banned-chatgpt). Samsung после трёх инцидентов за 20 дней в марте 2023 года, включая загрузку исходного кода в ChatGPT, ввела похожий полный запрет и развернула внутреннее защищённое окружение — прецедент старый, но показательный, [по данным того же обзора moveo.ai](https://moveo.ai/blog/companies-that-banned-chatgpt). А вот Демократический национальный комитет в апреле 2026 года запретил конкретно ChatGPT и Claude из-за вопросов происхождения модели, но разрешил Gemini для кода и анализа данных — запрет оказался списком исключений по вендору, а не универсальным правилом, [этот же список moveo.ai](https://moveo.ai/blog/companies-that-banned-chatgpt).

Сооснователь Mistral Тимоти Лакруа на презентации Vibe 2.0 предлагает вообще сместить рамку: «The fact that it's on-prem, I think, is less relevant than the fact that it's owned by the company», [цитата в VentureBeat](https://venturebeat.com/technology/a-european-ai-challenger-goes-after-github-copilot-mistral-launches-vibe-2-0) — то есть важнее не физическое расположение инференса, а контроль над тем, куда уходят веса и данные. Это позиция вендора, продающего в том числе облачный API той же модели, поэтому воспринимать её как нейтральную не стоит — но для читателя она полезна практически: если ваш запрет на самом деле вендороспецифичен, а не тотален, стоит явно проверить у комплаенс-команды список разрешённых исключений, а не считать по умолчанию, что любое облако закрыто.

Если у вас именно такой частичный запрет — часть репозиториев под жёстким локальным контуром, часть допускает разрешённый облачный вендор для сравнения качества, — разумно не переписывать интеграцию клиента под каждый новый вендор вручную. provod.ai даёт совместимый с OpenAI протокол доступ к каталогу моделей одним ключом: тот же Continue.dev, который вы настроили на localhost для чувствительного контура, для разрешённой облачной части достаточно переключить на другой base URL без переписывания клиента заново.

Флагман серии — Qwen3-Coder-480B-A35B с 35 млрд активных параметров из 480 млрд, заявленный разработчиком как сопоставимый с Claude Sonnet 4 на агентных задачах, [блог Qwen](https://qwenlm.github.io/blog/qwen3-coder/) — хорошо иллюстрирует, что верхняя граница качества серии живёт далеко за пределами бюджета 16–32 ГБ. Для этого диапазона работают младшие MoE-варианты из таблицы выше, и решение о том, где заканчивается автономность локальной модели для программирования и начинается обязательный ревью человека, стоит принимать по конкретной задаче, а не по общему ощущению «локально — значит хуже».

## provod.ai — единый API для AI-агентов, MCP и автоматизации

**Подключайте агентов, MCP-клиенты, CLI-инструменты и AI IDE к одной точке:** модель можно менять под этап сценария, не собирая заново интеграцию и биллинг для каждого поставщика.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**Тариф каждой модели передаётся без посреднической наценки:** цена в provod.ai равна официальной цене провайдера 1:1, а все агенты расходуют общий рублёвый баланс.

**Запустите своего агента через provod.ai:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [API и интеграции](https://provod.ai/ru#api)

### Источники

- [Qwen2.5-Coder Technical Report, arXiv](https://arxiv.org/pdf/2409.12186)
- [Local AI Models for Coding: Is It Realistic in 2026? — failingfast.io](https://failingfast.io/local-coding-ai-models/)
- [Introducing: Devstral 2 and Mistral Vibe CLI — Mistral AI](https://mistral.ai/news/devstral-2-vibe-cli/)
- [Карточка модели Qwen3-Coder-30B-A3B-Instruct-GGUF — Unsloth AI на Hugging Face](https://huggingface.co/unsloth/Qwen3-Coder-30B-A3B-Instruct-GGUF)
- [Model card DeepSeek-Coder-V2-Lite-Instruct — Hugging Face](https://huggingface.co/deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct)
- [Complete VS Code + Ollama + Continue Setup — SitePoint](https://www.sitepoint.com/local-ai-coding-assistant-complete-vs-code-ollama-continue-setup/)
- [What Is a Local Coding Agent? Security Risks Guide — Cyberhaven Labs](https://www.cyberhaven.com/infosec-essentials/what-is-local-coding-agents)
- [LLM predictions for 2026 — Simon Willison](https://simonwillison.net/2026/Jan/8/llm-predictions-for-2026/)
- [Local Language Models and Security — nolabs.ai](https://nolabs.ai/blog/localmodels-security)
- [Companies Banning ChatGPT (2026): The Enterprise Security List — Moveo.AI](https://moveo.ai/blog/companies-that-banned-chatgpt)
- [A European AI challenger goes after GitHub Copilot: Mistral launches Vibe 2.0 — VentureBeat](https://venturebeat.com/technology/a-european-ai-challenger-goes-after-github-copilot-mistral-launches-vibe-2-0)
- [Qwen3-Coder: Agentic Coding in the World — Alibaba Qwen Team](https://qwenlm.github.io/blog/qwen3-coder/)

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).