Как я заставил локальную нейросеть чистить забитый SSD: эксперимент с Qwen3.6

Регулярно забивающийся под завязку терабайтный SSD заставляет тратить уйму времени на ручной поиск файлов через WizTree. Чтобы избавиться от этой рутины, я решил подключить локальную нейросеть Qwen3.6-35B и посмотреть, справится ли она с аудитом диска.

Искусственный интеллект получил доступ к базе данных файлов в режиме чтения, чтобы найти безопасно удаляемые объекты. Эксперимент показал неоднозначные результаты, хотя обошлось без катастрофических ошибок для системы.

Как была устроена локальная проверка накопителя

Для запуска я выбрал открытую модель Qwen3.6-35B-A3B в квантовании UD-IQ4_XS через интерфейс llama.cpp. Вычисления выполнялись на моей видеокарте RTX 4070 Ti Super с 16 ГБ памяти при частичной разгрузке слоев в оперативную память ПК. Контекстное окно было ограничено на отметке 32 768 токенов, а семплирование работало со стандартными параметрами из карточки модели: температура 1.0, top-k 20 и top-p 0.95.

Нейросеть не имела прямых прав на изменение файлов или удаление данных на компьютере. Я экспортировал результаты сканирования утилитой WizTree в компактную базу данных SQLite, к которой ИИ обращался через четыре разрешенные функции. Модель могла запрашивать самые крупные файлы, размеры папок, содержимое конкретных директорий и общие объемы по типам данных. Каждая выгрузка ограничивалась 60 строками за один вызов. Из соображений приватности папка загрузок и личные данные были полностью исключены из базы. Скрипт на Python напрямую общался с бэкендом без графического чата, а системная инструкция четко предписывала указывать пути, размеры и обоснования для удаления, избегая любых пользовательских документов.

Что нейросеть смогла найти и рекомендовать к удалению

Итоговый отчет ИИ обещал освободить около 17 ГБ свободного пространства. Практически весь этот объем пришелся на один файл — 16-гигабайтный временный кеш Microsoft Flight Simulator, который симулятор тут же воссоздаст при следующем запуске. Остальные советы оказались более практическими: модель нашла примерно 500 МБ кеша браузера Microsoft Edge и около 150 МБ мусора в системной папке Temp, удаление которых абсолютно безвредно.

Не обошлось и забавных казусов. Инструмент посоветовал удалить директорию второй установки llama.cpp, аргументируя это тем, что локальные модели мне якобы не нужны, хотя в этот момент я запускал ИИ именно через нее. Модель не выразила никаких сомнений в данном пункте. Кроме того, она ошибочно приписала значительную долю занятого места фальшивым каталогам Epic Games, хотя на диске установлены совершенно другие крупные игры из иных лаунчеров.

Проблемы с контекстом и пропущенные крупные файлы

Анализ логов показал, что модель во время работы обнаружила гораздо больше потенциального мусора, но просто «забыла» включить его в финальный отчет из-за ограничений окна контекста. На втором шаге анализа ИИ открывал корзину, где лежало 21 ГБ уже удаленных файлов, однако в итоговой сводке этот пункт отсутствовал.

Позже инструмент заглядывал в системную папку LiveKernelReports с семигигабайтным отчетом о сбое драйверов, а также проверял каталог DXCache видеокарт NVIDIA размером 6,4 ГБ. Все эти безопасные для очистки зоны модель видела во время генерации, но они выпали из памяти по мере продвижения диалога. Увеличение контекстного окна могло бы помочь, однако это привело бы к перегрузке видеопамяти и сильному замедлению работы, которая на моей конфигурации держалась на уровне 65–70 токенов в секунду.

Стоит ли доверять очистку диска искусственному интеллекту

Оценивая результаты эксперимента, я не готов рекомендовать полноценное делегирование системного мусора локальным моделям. Главное достижение заключается в том, что Qwen3.6 не выдала ни одной разрушительной рекомендации, способной навредить Windows 11. Самая большая проблема сводится к упущенным возможностям и неполноте отчетов.

Подобный подход имеет право на жизнь, если вы просматриваете логи работы ИИ в поисках неожиданных идей для ручной очистки дискового пространства. Но для полной автоматизации и безоговорочного доверия локальные языковые модели в текущем виде еще не доросли до комфортного уровня.