Voidaanko paikallista LLM:ää käyttää tekoälykoodaukseen? ~Yhteenveto AI-koodaustrendeistä heinäkuussa 2026 datasta nähtynä~
kirjoittaja: @kotauchisunsun
Julkaisupäivä: 2026/08/12
AI Coding Agent -trendit elokuussa 2026
Olemme ylläpitäneet sivustoa nimeltä AI Coding.Info heinäkuusta 2025 lähtien.
Tämä on sivusto, joka tarkkailee tekoälyn koodausagenttien, kuten Claude Coden, Codex CLI:n, Github Copilotin ja Geminiin, liittyviä käyttötrendejä kiinteästä pisteestä Githubin arkiston tiedoista. AI Coding Agentin käytön määrittämiseksi teemme päivittäisiä tutkimuksia seuraavissa olosuhteissa.
- Päivittäinen 9 000 julkisen arkiston tarkastus Githubissa
- TOP 300 Github-tähteä ohjelmointikielen mukaan
- Tutkittu 30 eri ohjelmointikielestä
- Kohdistaa 16 tyyppistä AI-koodausagenttia
- Vain kun eri AI-koodausagenttien käyttämät sääntötiedostot ovat Githubin arkistossa, määritetään, että tekoälyn koodausagenttia käytetään.
Viime kuun trendit
https://ai-coding.info/reports/articles/20260703
AI Coding Agentin käyttöaste on 13,0 %
AI Coding Agent -varaston käyttöaste oli 13,0 %, kasvua 0,9 % edellisen kerran 12,1 %:sta.
AI Coding Agentin käyttöaste 1.8.2026
https://ai-coding.info/?date=2026-08-01#adoption-rate
Tekoälyn koodausagentin käyttöaste 1. heinäkuuta 2026
https://ai-coding.info/?date=2026-07-01#adoption-rate
Tekoälyn koodausagentin käyttöasteen trendit 1.7.2026–2026.8.1
https://ai-coding.info/?date=2026-04-01&since=2026-07-01&until=2026-08-01#share-trend
AI-koodausagentin osuus tuotteen mukaan
Tuotekohtainen osuus on seuraava.
| Ranking | Tuotteen nimi | Osakekurssi |
|---|---|---|
| 1. sija | Codex CLI | 40,8 % |
| 2. sija | Claude Code | 32,0 % |
| 3. sija | Copilot Agent | 15,1 % |
| 4. sija | Gemini CLI (Antigravity) | 5,3 % |
| 5. sija | Kursori | 4,4 % |
Codex CLI:n osuus kasvaa, mutta Claude Code pysyy samana. Copilot Agent ja Gemini CLI (Antigravity) ovat myös osoittaneet lievää laskua. Kursori on asia, johon olen kiinnittänyt vähän huomiota. SpaceX hankki kursorin. Oli uutisia.
https://www.nikkei.com/article/DGXZQOGN16BC70W6A610C2000000/
Muuttuuko tämän kohdistimen osakekurssi? Luulin niin, mutta viime kuussa se oli 4,7 % ja tässä kuussa 4,4 %, joten muutosta ei ole niin paljon. Kun tarkastellaan alla mainittua arkistojen määrää, heinäkuun 1. päivänä Cursorin käyttöönottaneita tietovarastoja oli 85, ja 1. elokuuta luku on pysynyt ennallaan 85:ssä. Siksi tämän ilmiön osalta AI Coding Agent -agenttia käyttävien tietovarastojen määrä on yleisesti kasvanut, mutta Cursorin käyttö ei ole lisääntynyt. Tämän seurauksena kokonaismarkkinaosuus on laskussa. Tästä on tullut ilmiö. Kuitenkin AI Coding.Info -tutkimuksen ominaisuuksista johtuen niiden arkistojen määrä, joissa on kohdistinkohtaisia konfiguraatiotiedostoja (.cursor), ei muutu. Cursor itse tukee kuitenkin AGENTS.md:tä. AI Coding.Info ilmoittaa, että AGENTS.md-tietovarastojen määrä = Codex CLI:n käyttöönoton määrä, joten vaikka kursoria käytetään, on mahdollista, että se lasketaan Codex CLI:ksi, ja on mahdollista, että käyttökertojen määrä kasvaa näkymättömässä osassa.
AI Coding Agentin osakekurssi 1.8.2026
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#agent-share
AI Coding Agentin osakekurssi 2026/7/1
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#agent-share
AI Coding Agentin käyttötila ohjelmointikielen mukaan
Ohjelmointikieli, jolla AI Coding Agentia käytetään eniten, on "TypeScript", toinen on "Python", kolmas on "Rust", neljäs on "Go" ja viides on "C#". Tekoälykoodauksen käyttöönottoaste TypeScriptille on edelleen korkea, kun taas Python-, Rust- ja Go-koostumus toisena ryhmänä ja ``C#" kolmantena ryhmänä on ollut jatkuva trendi viime vuosina.
AI Coding Agent -järjestys ohjelmointikielen mukaan 2026/8/1
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#language-agent-rank
AI Coding Agent -järjestys ohjelmointikielen mukaan 1. heinäkuuta 2026
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#language-agent-rank
Kuukausittaiset trendit AI Coding Agentin käyttämien tietovarastojen lukumäärässä
Tietovarastojen määrä oli 1 794 2026/07/01, mutta on noussut 1 940:een 2026/08/01, ja AI Coding Agent -agenttia käyttävien arkiston määrä on kasvanut 146:lla.
Muutokset AI Coding Agentia käyttävien tietovarastojen lukumäärässä 2026/7/1 - 2026/8/1
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#time-based-bar-chart
Voidaanko paikallista LLM:ää käyttää tekoälykoodaukseen?
Kesäkuussa Claude julkaisi seuraavan sukupolven LLM:t, Mythos ja Fable 5, jotka järkyttivät teollisuuttaan. Sen jälkeen kiinalainen Kimi-yhtiö julkaisi kuitenkin avoimen painomallin Kimi-K3, joka on lähes Fable-luokkaa. Siitä tuli kuuma aihe. Jopa tarkasteltaessa todellisia vertailuarvoja, luvut ovat lähellä.
https://artificialanalysis.ai/#intelligence-category-tabs
Kun ajattelin,
**Eikö paikallinen LLM ole myös vaihtoehto tekoälykoodaukseen? **
Luulen, että voit ajatella niin. Tutkin tuota aluetta. Alla olevassa taulukossa luetellaan tärkeimmät avoimen painon LLM-mallit yllä olevasta kaaviosta.
| Mallin nimi | Yrityksen nimi | Ilmoituspäivä | Parametrien määrä | Aktiivisten parametrien määrä | Kontekstin pituus | Älykkyysindeksi |
|---|---|---|---|---|---|---|
| Kimi K3(max) | Kimi(Kiina) | 2026/07 | 2 800 M | 104B | 1M | 60 |
| GLM-5.2(max) | Z AI (Kiina) | 2026/06 | 756B | 40B | 1M | 53 |
| DeepSeek V4 Flash 0731 | DeepSeek(Kiina) | 2026/07 | 284B | 13B | 1M | 52 |
| MiMo-V2.5-Pro | Xiaomi (Kiina) | 2026/04 | 1,023B | 42B | 1M | 43 |
| Muse Glimmer (korkea) | Meta(USA) | 2026/08 | 30B | 256K | 35 | |
| Gemma 4 31B (Päättely) | Google (USA) | 2026/04 | 30,7B | 256K | 30 |
Toimivatko nämä kuitenkin tietokoneellasi? En oikein ymmärrä sitä. Siksi harkitsemamme määritysmenetelmä oli
Tarvittava VRAM-muisti on
2[GB] per parametri 1[B]
on. Voit karkeasti arvioida, toimiiko se tietokoneesi VRAM-muistikapasiteetin ja käytettävän mallin parametrien lukumäärän perusteella. siksi
**Matemaattisesti Kimi-K3:n käyttämiseen tarvitaan 5,6 Tt (5 600 Gt) muistia. **
Selitän syyn tähän. Vakiohajautetussa LLM-mallissa painot ilmaistaan käyttämällä desimaalilukuja tarkkuudella bf16 tai fp16. Nämä vaativat 2 tavua kullekin parametrille. Usein näkemäsi merkintä, kuten 30[B], on parametrien lukumäärä, ja B tarkoittaa miljardia ja edustaa 10^9. Siksi voidaan nähdä, että mallissa, kuten 30[B], on 30 × 10^9 painotiedot. Ja 1[Gt]=1*10^9[tavu]. Ajatellessamme asiaa tällä tavalla, mainitsimme aiemmin, että vakiopainot tallennetaan 2 tavuun, joten painoa kohden tarvitaan 2 tavua, mikä tarkoittaa 2 [GB] 1 [B] parametrin tallentamiseen muistiin. Tämä on laskelma. Tämä tarkoittaa aiemmin mainittua "2[GB] parametria 1[B] kohti". Tämä on kuitenkin vain likiarvo; tämä on vähimmäisvaatimus painojen lataamiselle VRAM:iin, ja koska muistia voidaan käyttää sen lisäksi, on ehdottomasti suositeltavaa olla ylittämättä sitä. Tämä on VRAM-kapasiteetti.
Tässä kvantisoinnin käsite tulee peliin. Olet ehkä nähnyt Q4_0 tai Q4_K_M. Tämä on tekniikka, joka pakkaa painon sen bittien lukumäärään. Siksi Q4_0:n tapauksessa painokapasiteetti on karkeasti sanottuna 4 bittiä (Q4_0:n 4 osa). Siksi tässä tapauksessa kapasiteetti on 0,5 [GB] per 1 [B]. Pikaviitetaulukko näistä näyttää tältä:
| Kvantisointimenetelmä | Vaadittu muistimäärä 1[B] [GB] |
|---|---|
| bf16,fp16(vakio) | 2.0 |
| Q8_0 | 1.0 |
| Q4_0 | 0,5 |
Saatat nähdä merkinnän, kuten Q4_K_M, mutta karkeasti sanottuna se on malli, joka lisää tarkkuutta Q4_0:aan verrattuna, mutta käyttää hieman enemmän muistikapasiteettia. Tämä on hyvä olla tietoinen. On toinenkin tapa kertoa, katso vain painotiedoston tiedostokoko (safetensor tai gguf). Jos tämä ylittää VRAM-muistikapasiteetin, se ei yleensä toimi. Luulen, että voit ajatella niin.
Tästä olemme luoneet pikaviitetaulukon VRAM-muistin määrästä, kvantisointimenetelmästä ja parametrien määrästä.
| VRAM-muistin kapasiteetti [GB] | Parametrien lukumäärä (bf16,fp16)[B] | Parametrien lukumäärä (Q8_0)[B] | Parametrien lukumäärä (Q4_0)[B] |
|---|---|---|---|
| 8 | 4 | 8 | 16 |
| 16 | 8 | 16 | 32 |
| 24 | 12 | 24 | 48 |
| 32 | 16 | 32 | 64 |
| 64 | 32 | 64 | 128 |
| 128 | 64 | 128 | 256 |
| 256 | 128 | 256 | 512 |
| 512 | 256 | 512 | 1024 |
| 1024 | 512 | 1024 | 2048 |
| 2048 | 1024 | 2048 | 4096 |
Kuinka kauan suunnilleen sitä voidaan tehdä? Ottaen huomioon, että jos kyseessä on malli, jossa on 8 Gt VRAM-muistia, se on RTX 5050 ja Amazonin hinta on 55 000 jeniä. Tämä voi toimia, jos malli on noin 8[B] kvantisoitu Q8_0:lla. Se on taso.
Kun VRAM kasvaa 16 gigatavuun, siitä tulee malli RTX 5060 Ti:n ympärille, joka maksaa noin 108 000 jeniä. Tässä vaiheessa Q4_0-kvantisoinnilla 30[B]-luokan LLM toimii tai ei. Se on taso.
Kun VRAM kasvaa 32 gigatavuun, siitä tulee RTX 5090 -lippulaivamalli ja se maksaa 795 000 jeniä. Mitä tulee tähän, luulen sen olevan sellaisella tasolla, että et voi tehdä sitä, ellei sinulla ole paljon päättäväisyyttä. Luulen niin. Tämä on Q8_0:n kvantisointi ja se, toimiiko 30[B]-luokan malli vai ei. Se tulee olemaan suunnilleen samalla tasolla.
Tämä alue on kuluttajatuotetason ylärivi. Ammattitason tasolla RTX PRO 6000 Blackwell on varustettu 96 Gt:n muistilla. **Hinta on 2,35 miljoonaa jeniä. ** Tässä, jopa Q4_0-kvantisointitasolla, vain 192[B]-malli toimii, joten lippulaivamalli ei toimi.
Ja koska palvelimelle asennettavasta GPU-klusterista oli tietoja, julkaisen sen vain viitteeksi. NVIDIA B300:n tapauksessa muisti on 288 Gt ja hinta 8,63 miljoonaa jeniä. Jos se on yksi, DeepSeek V4 Flash 0731 Q8_0-kvantisoinnilla saattaa toimia. Q4_0 toimii. Jos sinulla on kaksi (vastaa 17 miljoonaa jeniä), Q4_0-kvantisoinnilla varustettu MiMo-V2.5-Pro voi toimia.
https://www.nttpc.co.jp/cgi-bin/gpu/simulation/custom/index.cgi
Siksi, jos vertaat muistin määrää ja parametrien määrää, tässä on kyse. Tietysti on muutakin keskusteltavaa kuin tämä, ja siitä, tallennetaanko tämä muistiin vai ei. Joten, tuottaako se tarpeeksi TOK/s normaaliin käyttöön? On toinenkin ongelma. Tässä artikkelissa puhutaan aivan perusasioista. LLM:ssä on arkkitehtuureja nimeltä Dense ja MoE, ja MoE:ssä vain aktiiviset parametrit lasketaan, ja suoritustavasta riippuen fyysisen muistin määrää voidaan vähentää lukemalla tarvittavat Experts-arvot muistista jne. sen sijaan, että kaikki Expertit tallennettaisiin koko ajan muistiin. Mallin suoritustavassa on kuitenkin joitain erityisiä näkökohtia, ja lataaminen tallennustilasta muistiin voi muodostua pullonkaulaksi. Tällaisia tarinoita on, mutta tässä jätämme tällaiset yksityiskohdat huomiotta ja yksinkertaisesti harkitsemme kapasiteettia, kun kaikki mallin painot on tallennettu muistiin.
Joten jos haluat käyttää nykyistä kvantisoitua Q4_0- tai Q8_0-lippulaivamallia, tarvitset koneen, joka maksaa vähintään 10 miljoonaa jeniä. Se on tunne siitä. Toisaalta se voi toimia, jos käytät erityislaitteistoa saavuttaaksesi vielä suuremman kvantisoinnin. Jotkut esimerkiksi käyttävät 2-bittistä kvantisointia ja 3-bittistä kvantisointia M4 Macissa, jossa on 128 Gt muistia (loppuunmyyty) ja DGX Spark (128 Gt muistia).
https://zenn.dev/tkhr_sait/articles/20260508_try-local-deepseek-v4
https://dev.classmethod.jp/articles/dgx-spark-deepseek-v4-flash-0731-llama-cpp/
Toisaalta tämä on luultavasti yksilön raja. Se on ihon tunne. Henkilökohtaisesti kiinnitän huomiota 1-bittiseen kvantisointiin. Kuuluisia malleja ovat muun muassa Bonsai ja tekniikka, kuten BitNet, mutta 1-bittisen kvantisoinnin osaamista ei ole julkistettu, joten en ole kokeillut sitä (todennäköisesti se veisi valtavasti aikaa ja heikentäisi johtopäätösten tarkkuutta).
Joten henkilökohtaisesti, jos DeepSeekin 1-bittinen kvantisoitu versio (noin 35,5 Gt) julkaistaisiin, voisin nähdä maailman, jossa sitä voitaisiin ajaa paikallisesti kuluttajatason GPU:lla, riippuen kekseliäisyydestä, mutta koska meillä ei tällä hetkellä sellaista ole, se on melko vaikeaa. Se on rehellinen totuus.
Siksi
**Ei ole realistista käyttää lippulaivamallia paikallisen LLM:n kanssa. **
Tämä on yleisvaikutelmani. Jos todella haluat sen toimivan, sinun täytyy mielestäni tehdä testejä.
ajatuksia
Tällä kertaa keskitin puheeni paikalliseen LLM:ään. Kun Kimi-K3 ilmestyi, olin melko järkyttynyt, ja Fable-luokka muutti paikalliseen LLM:ään! Se oli varsin vaikuttava, mutta en pysty edes siirtämään sitä varusteillani. Se oli rehellinen vaikutelmani. Julkaisin aiemmin artikkelin paikallisesta LLM:stä, mutta se ei tuolloin toiminut kovin hyvin, joten haluaisin kaivella sitä hieman syvemmälle itse. Luulin niin.