---
title: Ontwikkelaar gebruikt lokale kunstmatige intelligentie om vaardigheidstests van hh.ru te voltooien
url: https://www.dataloco.com/nl/ontwikkelaar-gebruikt-lokale-kunstmatige-intelligentie-om-vaardigheidstests-van-hhru-te-voltooien
published: 2026-10-30T10:26:10+00:00
language: nl
section: AI
source: https://habr.com/ru/articles/1099994/?utm_campaign=1099994&utm_source=habrahabr&utm_medium=rss
organizations: hh.ru
publisher: Dataloco
---

# Ontwikkelaar gebruikt lokale kunstmatige intelligentie om vaardigheidstests van hh.ru te voltooien

Een ontwikkelaar heeft aangetoond dat vaardigheidstests op het platform hh.ru kunnen worden doorlopen met behulp van lokale modellen voor kunstmatige intelligentie. De tests op de website zijn bedoeld om succesvolle kandidaten te onderscheiden van de massa en maken deel uit van een nationaal systeem voor de bevestiging van competenties in de informatietechnologie, waarbij elektronische certificaten via overheidsdiensten kunnen worden verkregen.

De ontwikkelaar, die ervaring heeft met Delphi, C++ en Java/Kotlin maar beperkte kennis heeft van webontwikkeling, JavaScript, Python en kunstmatige intelligentie, gebruikte de browserversie van Gemini voor ondersteuning. Hij volgde de adviezen van de kunstmatige intelligentie, voerde scripts uit en rapporteerde fouten om het proces te voltooien. De persoonlijke aanpassingen van de ontwikkelaar waren minimaal.

Om de tests te omzeilen, bouwde de ontwikkelaar een systeem met een Tampermonkey-script dat de pagina analyseert en gegevens naar een lokale server stuurt. Dit was nodig omdat de website resultaten ongeldig verklaart wanneer een gebruiker naar andere tabbladen of vensters schakelt. De lokale server werd gebouwd met Python en kon in eerste instantie volledige HTML-pagina's en testteksten in bestanden opslaan.

Later werd de mogelijkheid toegevoegd om via LM Studio met modellen voor kunstmatige intelligentie te werken. De ontwikkelaar stelde specifieke systeeminstructies op om de modellen te dwingen korte antwoorden te geven zonder uitleg, geen verduidelijkende vragen te stellen en zichzelf niet meer dan één keer te controleren om tijdverlies te voorkomen. Een apart Python-script werd gebruikt om eerder geanalyseerde tests naar de server te sturen voor het optimaliseren van de instructies.

Voor de uiteindelijke evaluatie werden verschillende modellen uit de Qwen-familie getest, variërend van kleine modellen met 7 tot 9 miljard parameters tot grotere modellen met 27 tot 35 miljard parameters. Ook werd de oudere versie Qwen 2.5 getest. De resultaten toonden aan dat bijna alle modellen de tests succesvol voltooiden, hoewel Qwen 2.5 bij sommige taken minder presteerde. Alle geteste modellen slaagden voor het gevorderde niveau van de tests over objectgeoriënteerd programmeren.

De prestaties varieerden per model. Het model Qwen3.8-27B produceerde op de computer van de ontwikkelaar maximaal 6 tokens per seconde, wat te traag was voor een redeneermodus. Daarom werd dit model zonder redenering getest. Daarnaast werd het model Qwen3.8-9B CPU volledig in het werkgeheugen geladen en op de processor uitgevoerd om minimale omstandigheden te simuleren.