بهترین مدل local برای coding

تا آخر این مطلب بخونید. مدل رو در آخر معرفی کردم

اخیرا مدل های زیادی رو روی 16 گیگ رم vga تست کردم.

که ببینم کدوم اونقدر باهوش هست که بشه توی coding بهش اعتماد کرد.

مثلا شاید بشه به gptoss 120B روی کلود اعتماد کرد ولی روی local قضیه فرق داره.

اولا نسخه 120B به حداقل 63 گیگ رم نیاز داره. ولی مساله اینه مدل 20B هم برای coding اونقدر هوشمند نیست. برای چت و کارای دیگه خوبه ولی coding? نه

مدل هایی که من روی 16 گیگ رم تست کردم و برای coding هنوز نیاز به بهبود داشتن و در نهایت ازشون استفاده نکردم:

DeepSeek-R1-0528-Qwen3-8B-GGUF
GLM-4.6V-Flash-GGUF
gpt-oss-20b-GGUF
Ministral-3-14B-Reasoning-2512-GGUF
NVIDIA-Nemotron-3-Nano-4B-GGUF
Qwen2.5-Coder-14B-Instruct-GGUF
Qwen3.5-9B-GGUF
Qwen3-Coder-30B-A3B-Instruct-GGUF
Ornith-1.0-9B-GGUF

gemma-4-12B-it-GGUF
gemma-4-12B-it-QAT-GGUF
gemma-4-26B-A4B-it-GGUF
gemma-4-31B-it-GGUF
gemma-4-E2B-it-GGUF
gemma-4-E4B-it-GGUF
gemma-4-E4B-it-qat-mobile-GGUF


مدل Bonsai-8B-gguf که تنها مدلی بوده که تونسته در حد مدل های cloud ولی روی لوکال خودی نشون بده (من تستم رو با Ternary-Bonsai-27B-gguf گرفتم)

و اما امروز داشتم خبرها رو دنبال میکردم که چشمم خورد به نسخه دوم از این مدل یعنی
Bonsai-2

اگر بخوام در مورد خوده مدل Bonsai یه توضیح مختصر بدم این مدل بر خلاف مد های دیگه دقتش فقط 1 بیت هست. 0 یا 1. یا مدل ternary که دقتش 1.58 هست. 0 یا 1 یا منفی 1
اساتید لطفا تصحیح کنن

به همین دلیل این مدل همه ی هنرش اینه که یه ی مدل قوی تر مثل Qwen3.8 27B نسخه 16 بیت رو فشرده کرده در 1 بیت. نتیجه شده 98% دقت همون مدل اصلی ولی 9 برابر سبک تر.

اگر حتی یک گرافیک 8 گیگی هم دارید میتونید این مدل رو تست کنید. (به شدت پیشنهاد میشه)

برای تست اول برنامه lm studio رو نصب کنید و از لیست مدل ها prism-ml/Ternary-Bonsai-2-27B-gguf رو انتخاب کنید.

حجمش فقط 6.8 گیگ هست.

این برای یه مدل لوکال در حال حاضر فوق العاده هست ولی خب هر مدلی یه نقطه ضعفی داره و برای این مدل، context length هست که نهیتا 262K توکن هست

پیشنهاد میکنم 2 تا لینک زیر رو مطالعه کنید.

https://prismml.com/news/bonsai-2-27b
https://docs.prismml.com/bonsai-2-27b


@DevTwitter | <Armin Sadati/>

زندگی یک دکمه در گذر زمان

@DevTwitter

این مدل می‌گه تا ۵۰ برابر سریع‌تر از Jev تصمیم می‌گیره!

سرعت: روی M3 Max به حدود ۶۰ تصمیم در ثانیه رسیده.

هزینه: هیچ هزینه API نداره و روی دستگاه خودت اجرا می‌شه؛ درحالی‌که Jev حدود ۰.۰۴۲ دلار به‌ازای هر ۱ میلیون توکن ورودی هزینه داره.

https://github.com/mizorewww/laya-mlrd

@DevTwitter | <AmirHossein Rahnamafard/>

یه مدل ۲۷ میلیاردی به اسم Hemmingway-1 اومده که تو نوشتن ایمیل، پیامک و مکالمات روزمره از GPT-6 Astra و Fable 5.1 بهتر عمل کرده.
روی پایه Qwen3.8-27B فاین‌تیون شده و ادعا می‌کنه بیشتر شبیه آدم واقعی می‌نویسه تا مدل‌های ۱۰ برابر بزرگ‌ترش.

تو بنچمارک CommunicationBench امتیاز ۱۰۲۶ گرفته و حدود ۵۰ امتیاز از GPT-6 Astra جلوتره.
تو درخواست‌های سخت (hard asks) ۷۲٪ برد داشته، در حالی که GPT-6 فقط ۹٪.
خودشون شفاف گفتن که این بنچمارک‌ها مال خودشون هستن.

مخصوص نوشتن پیام‌های روزمره، ایمیل‌های کاری و اون متن‌های ناراحت‌کننده‌ای که هی بازنویسی‌شون می‌کنی طراحی شده.
وزن‌ها اوپن‌سورسه و روی یه GPU معمولی هم اجرا می‌شه.
سایت: https://hemmingway.io

لینک هاگینگ فیس
https://huggingface.co/Altworld/Hemmingway-1

@DevTwitter | <Saeid/>

معرفی قالب مدیریتی ولین (Velin)

قالب مدیریتی Next.js با آخرین نسخه‌های Shadcn، Base UI و Tailwind؛ با الهام از طراحی بهترین دیزاینرهای دنیا مثل Emil Kowalski، Paco Coursey و ...

قیمت اصلی: 1,000,000
با تخفیف: 450,000 تومان

دمو:
velin.taymakz.ir

خرید:
t.me/velintemplate?direct

مارتین فاولر یه مطلب نوشته به اسم «I don't like LLMs».

فاولر قبول داره که این ابزارها کار می‌کنن. حتی از Jessica Kerr نقل می‌کنه که استفاده نکردن ازشون غیرمسئولانه‌ست. مشکلش با کارایی‌شون نیست، با رفتارشونه. می‌گه ادای آدم رو درمیارن، و تازه ادای آدمی رو که اگه واقعی بود باهاش رفیق نمی‌شد. وقتی یه چیزی رو نمی‌دونن با همون اطمینانی که جواب درست می‌دن سرهمش می‌کنن، و اشتباهشون رو که بگی یه عذرخواهی سرسری می‌کنن و می‌رن سراغ جواب بعدی.

لینک مطلبش رو گذاشتم، تمایل داشتید بخونید:
https://martinfowler.com/articles/2026-dont-like-llms.html


@DevTwitter | <Hossein Nazari/>

کار با Claude Desktop و اکوسیستم Antigravity (agy) محدودیت‌هایی داره. کلاد دسکتاپ به صورت پیش‌فرض نمیتونه از تمام پتانسیل‌های لوکال، مدل‌های دیگر و پلاگین‌های کاستوم در پس‌زمینه استفاده کنه.

برای حل این مشکل تصمیم گرفتم یک MCP بنویسم.

پروژه claude-antigravity-mcp-bridge که امروز منتشر کردم، دقیقاً همین کار را انجام میده. این ابزار به عنوان یک واسط استاندارد Model Context Protocol عمل میکنه و به Claude Desktop اجازه میده بدون محدودیت‌های رابط کاربری چت، دستورات را مستقیماً به Antigravity CLI ارسال کند.

مزیت اصلی استفاده از Antigravity CLI اینکه به جای درگیر کردن Claude با پردازش‌های طولانی، میتونید بار سنگین مصرف توکن را به سمت سرویس‌های گوگل (Gemini) هدایت کنید. از انجایی که API انتروپیک هزینه به مراتب بالاتری داره، با این معماری، کنترل و مدیریت تسک‌ها همچنان در دست Claude باقی میمونه اما کارهای سنگین و هزینه‌بر توسط مدل‌های دیگه و ابزارهای Antigravity انجام می‌شه.

یکی از چالش‌های اصلی در توسعه این پل، مدیریت استریم‌های ورودی و خروجی در ارتباطات تعاملی (Interactive) بود. زمانی که مدل منتظر تایید کاربر می‌ماند، پروسه MCP مسدود می‌شد که این مشکل را با ایزوله کردن کامل جریان استاندارد (stdin) و مدیریت فلگ‌های دسترسی حل کردم.

اکنون کلاد دسکتاپ میتونه به عنوان یک Manager Agent عمل کنه و وظایف سنگین پردازشی، جستجوهای محلی و کارهای پس‌زمینه را با کمترین هزینه به موتور Antigravity بسپاره.

سورس کد، داکیومنت‌ها و راهنمای نصب به صورت کامل روی گیت‌هاب قرار گرفته .

https://github.com/im-mahdi-74/claude-antigravity-mcp-bridge

@DevTwitter | <Mahdi/>

یه کلیک، دو تا برداشت پول — این یه باگ نیست، یه چیزیه که همه‌ی API‌ها دیر یا زود باهاش روبرو می‌شن

سناریو: کاربر روی "پرداخت ۵۰ دلار" می‌زنه. شبکه قطع‌ومتصل می‌شه. کلاینت response رو نمی‌بینه، فکر می‌کنه fail شده، دوباره همون request رو می‌فرسته. نتیجه بدون محافظت؟ ۱۰۰ دلار برداشت شده. نتیجه با Idempotency Key؟ همون ۵۰ دلار — دقیقاً یه بار.

راه‌حل تو Laravel: کلاینت یه UUID به اسم Idempotency-Key می‌فرسته که برای هر عملیات یه بار تولید می‌شه و روی retry هم عوض نمی‌شه. یه middleware قبل از رسیدن به بیزینس‌لاجیک چک می‌کنه این key قبلاً دیده شده یا نه:
— اگه جدیده → پردازش می‌کنه و نتیجه رو ذخیره می‌کنه.
— اگه تکراریه → همون response قبلی رو دقیقاً عیناً برمی‌گردونه، بدون اجرای دوباره‌ی هندلر.

این دقیقاً همون الگوییه که Stripe، GitHub و PayPal روی endpoint‌های حساسشون پیاده کردن.

@DevTwitter | <Seyed taha Aghamir/>

خب خب تا حالا شده یه رکورد کلاس بخواید ببینید بعد ادوبی کانکت آشغال جایی بوده که کلاس برگذار می‌شده؟
بدتر از اون رکورد ادوبی کانکت رو نمی‌شه سرعتش رو بیشتر کرد :)

- راهکار چیه؟ خب من یه اسکریپت پایتون داشتم می‌اومد فایل‌ها xml و متا دیتای کلاس رو می‌گرفت اسلاید یا پاورپوینت یا پی‌دی‌اف‌های سرکلاس رو هم بهش می‌دادید یه ویدوی mp4 تمیز براتون می‌ساخت ...

تبدیلش کردم به یه ابزار ترمینالی ( گرافیکال نیست TUI هست )
با کمک LLMها یک مقدار ریفکتورش کردم و ماژولارتر هم شده فعلن از حوصله‌ام خارجه براش کلاینت درست کنم یا apiیی چیزی بشه ... اگر کسی دوست داشت دستش بازه ...

اسمشم گذاشتم connect2mp4 سورسش اینجاست:
https://github.com/ParsaBordbar/connect2mp4

طبیعتن اگر باهاش حال می‌کنید و بدرد بخور بود استار بدید به بقیه هم معرفی می‌کنه گیت‌هاب.

@DevTwitter | <Parsa/>

شرکت دی‌لینک (D-Link) به مشتریان خود درباره یک آسیب‌پذیری با شدت حداکثری (CVE-2026-86296) هشدار داد که کد اکسپلویت اثبات (PoC) آن به‌صورت عمومی منتشر شده و هنوز وصله امنیتی (patch) برای آن ارائه نشده است!

این نقص، روترهای قدیمی و دو‌باندی وای‌فای مدل DIR-822A را تحت تأثیر قرار می‌دهد و ناشی از سرریز بافر مبتنی بر پشته (stack-based buffer overflow) و پردازش نادرست داده‌ها در بخش سرور DHCP این دستگاه‌ها است.

مهاجمان می‌توانند بدون نیاز به احراز هویت یا تعامل کاربر، تنها با ارسال بسته‌های DHCP دستکاری‌شده در همان شبکه محلی، این سرریز را فعال کرده و دیمون DHCP را از کار بیندازند یا حتی امکان اجرای کد از راه دور (remote code execution) را روی دستگاه‌های هدف به دست آورند.


@DevTwitter | <Teegra/>

۸ پروژه جذاب که با مدل JEV ساخته شده‌اند!

در اصل JEV فقط یک مدل سریع نیست؛ توسعه‌دهنده‌ها دارن ازش برای ساختن کلی ابزار و ایجنت متفاوت استفاده می‌کنن

از Browser Agent و Coding گرفته تا معاملات، پهپاد، بازی، Knowledge Graph و حتی ارزیابی ایده‌های استارتاپی؛ اکوسیستم JEV داره خیلی سریع شکل می‌گیره.

JEV-Ultrafast — ایجنت مرورگر
https://github.com/browser-use/jev-ultrafast/tree/main
Fast-JEV-Compaction — فشرده‌سازی کانتکست
https://explainx.ai/blog/fast-jev-compaction-claude-code-plugin-2026
JSON-Render — ساخت UI به‌صورت مولد
https://skills.sh/vercel-labs/json-render
JEV-MCP — ابزارهای تصمیم‌گیری و قضاوت
https://skills.sh/jkudish/jev-mcp
JEV-Codex-Router — مسیریابی بین مدل‌ها
https://skills.sh/0xnatoshi/jev-codex-router
Winnow — حذف اطلاعات اضافی از کانتکست
https://skills.sh/ghalebdweikat/winnow
Agent-Desktop — اتوماسیون دسکتاپ
https://skills.sh/lahfir/agent-desktop
Prism — شناسایی سیگنال‌های نقدینگی
https://skills.sh/irfndi/prism-liquidity-agent…

به‌نظر می‌رسه سرعت بالا و هزینه پایین JEV باعث شده توسعه‌دهنده‌ها سراغ کاربردهای کاملاً عملی برن.


@DevTwitter | <امیرحسین ثقه الاسلامی/>

پروژه https://freebuff.com روکه میشناسید میتونید رایگان از مدلایی که میده استفاده کنید شعارشه
یکی اومده api رو ریورس کرده تا بشه توی هارنس‌های دیگه هم استفاده کرد!
https://github.com/trefeon/freebucks-proxy

@DevTwitter | <Meisam/>

این بار ساده‌تر و اصولی‌تر با لینگانو ادامه بده!  📕

📍دسترسی نامحدود به دوره‌ها
📍پنل اختصاصی در سایت و اپلیکیشن
📍تعیین سطح و مشاوره اختصاصی

دوره جامع لینگانو با ۷۵٪ تخفیف و پرداخت ۴ قسطه اسنپ‌پی؛ برای مشاوره تخصصی و ثبت نام دوره، همین حالا کلمه ((شروع )) رو ارسال کنید
👇🏻👇🏻👇🏻👇🏻


@Linganosupport
@Linganosupport

ابزار Jev فقط یه هفته‌ست که اومده و تا الان ۳۱ بار به‌صورت مستقل بازتولید و بررسی شده؛ یعنی ۳۱ نفر یا تیم مختلف سعی کردن همون نتیجه یا عملکرد Jev رو دوباره اجرا کنن و ببینن آیا واقعاً قابل تکراره یا نه.

بیشتر مقایسه‌هایی که تا حالا انجام شده، نهایتاً روی چند صد تا تصمیم اجرا می‌شن. ولی یه بنچمارک جدید و جالب به اسم Decision Index 0.1 هست که ۱۳۲٬۴۲۲ تا تصمیم رو بررسی می‌کنه؛ یعنی همه‌ی این بازتولیدها به‌علاوه‌ی Jev روی ۳۷ تا بنچمارک مختلف. توی این تست نه چیزی حذف یا کوتاه می‌شه، نه پرامپت‌تیونینگ انجام می‌شه و هر سوالی هم که بی‌جواب بمونه، جواب غلط حساب می‌شه. با این حال، Jev هنوز با امتیاز ۵۹.۵ بالاتر از بقیه قرار داره .

https://huggingface.co/spaces/multimodalart/jev-decision-index

@DevTwitter | <Reza Jafari/>