Может ли искусственный интеллект действительно справляться с задачами программирования? В двухчасовом эксперименте Уилл Ламертон проверил модель Ministral 3, восьмимиллиардную модель от Mistral, при создании фронтенда клона Airbnb. Результат оказался смешанным: модель показала как перспективные возможности, так и важные ограничения.
В тесте модель выполняла типичные фронтенд‑задачи: генерировала React‑компоненты, управляла навигацией и состоянием с использованием макетных данных и применяла Tailwind CSS для оформления. Эксперимент был ограничен только фронтенд‑частью, бэкенд в проект не входил. Работу вели итеративно, разделяя процесс на отдельные этапы.
Для проекта использовали Next.js как фреймворк, Tailwind CSS для стилей, готовые UI‑компоненты Shad CN и открытый помощник Nanocoder. Макетные данные служили для эмуляции динамического контента. Основные этапы включали подготовку технического задания, настройку среды, создание компонентов и организацию навигации.
Ministral 3 продемонстрировала ряд сильных сторон: она сформировала подробное техническое задание и разбила задачу на выполнимые шаги. Модель генерировала компоненты для списков объектов, меню навигации и потоков бронирования, применяя Tailwind CSS для единообразия оформления. Она также помогала находить и исправлять ошибки в логике и синтаксисе, а её способность запускаться на локальном оборудовании делала её доступной при ограниченных ресурсах.
Однако выявились и значительные ограничения: модель испытывала трудности с сохранением контекста при длительных или сложных задачах, что требовало частых перезапусков и дробления задач. Часто возникали ошибки с импортами, названиями компонентов и путями директорий, требовавшие ручной правки. Модель иногда использовала устаревшие команды, пропускала зависимости и работала медленнее и менее точно по сравнению с более продвинутыми системами, такими как Opus 4.5 или GLM 4.7.
Итоговый продукт эксперимента — рабочий, но базовый фронтенд для сайта аренды недвижимости. В нём были списки объектов, навигация между страницами и имитация потока бронирования с фиктивной страницей подтверждения оплаты. Визуальная часть, адаптивность и расширенные функции, например фильтрация и улучшения доступности, остались незавершёнными.
Выводы: Ministral 3 пока не заменяет профессиональных разработчиков, но представляет собой полезный инструмент для отладки, генерации кода для небольших задач и обучения. Её способность работать на локальном железе делает модель привлекательной для разработчиков с ограничённым доступом к облачным ресурсам. По оценке автора эксперимента, в ближайшие 12–18 месяцев локальные модели подобного класса могут существенно улучшиться и расширить свою роль в процессе разработки программного обеспечения.
Комментариев