AI Radar — лентаQwen3.8 научилась генерировать приложения для Atlassian: 0% → 56% валидных манифестов
Один разработчик дообучил Qwen3.8-27B на данных Atlassian Forge, Jira, Confluence и JSM. До fine-tuning базовая модель не сгенерировала ни одного валидного манифеста.
После — 14 из 25 прошли валидатор Atlassian, 12 из 25 скомпилировались в полные приложения.
Что внутри. Rank-32 LoRA-адаптер (~190 МБ) на базе Qwen3.8-27B. Данные — реальные Forge-приложения, документация, OpenAPI-спеки и ответы сообщества: ~6,1 млн токенов, 18 189 сэмплов на обучение и 1 581 на отложенную выборку. Обучение шло на Mac Studio M3 Ultra 96 ГБ тремя раундами: 11,3 + 7,1 + 7,6 часа. Итоговый слитый чекпоинт весит 31 ГБ.
Что замерили. Identifier probe — правильные Atlassian-идентификаторы — поднялся с 15% до 69%. 9B-версия показала 15% → 62% и 19 из 25 валидных манифестов. Speculative decoding ускоряет декодирование на 1,26× при согласии 99,4% с базой.
Критическая оговорка: при включённом режиме thinking валидных манифестов лишь 16% против 56% с выключенным — для генерации кода thinking лучше отключить. 11 из 25 приложений всё ещё не проходят все проверки; на реальных сценариях модель не оценена.
Что это значит: открытая модель под конкретную платформу с измеримым приростом и валидацией на реальном инструменте. Локальный запуск без облака, Apache-2.0, веса на Hugging Face.
Оригинальная публикация в Telegram