Qwen3.6-27B übertrifft ein 397B-Modell bei Coding-Benchmarks

Das Qwen-Team von Alibaba hat Qwen3.6-27B veröffentlicht, ein dichtes Modell mit 27 Milliarden Parametern unter der Apache-2.0-Lizenz, das Qwen3.5-397B-A17B — ein Mixture-of-Experts-Modell mit 397 Milliarden Parametern — bei allen wichtigen Coding-Benchmarks übertrifft. Es läuft lokal mit 18 GB RAM.

Was die Quellen tatsächlich sagen

Das Modell beansprucht Spitzenleistung auf SWE-Bench; Community-Tests deuten darauf hin, dass es MiniMax-M2.5 auf diesem Benchmark übertrifft. Unabhängige Tester, die die Unsloth Dynamic GGUF-Quantisierung (16,8 GB Modelldatei) auf Consumer-Hardware — darunter die RTX 5090 — einsetzen, bewerten die Ausgabequalität als vergleichbar mit Gemini 3 Pro zum Zeitpunkt seiner SOTA-Veröffentlichung. Mehrere Community-Berichte belegen, dass Qwen3.6-27B Claude Opus 4.5 bei Coding-Aufgaben übertrifft, wobei diese Vergleiche community-basiert und nicht peer-reviewed sind.

Das Modell unterstützt sowohl Thinking- als auch Non-Thinking-Modus. Eine Community-Quantisierung von @Ex0byt komprimierte es von 70 GB auf 21 GB bei behaupteter verlustfreier Qualität und erzielt 120 Tokens pro Sekunde auf NVFP4-fähiger Hardware (darunter MLX, RTX, DGX und Blackwell). Das Modell via llama.cpp auszuführen erfordert einen einzigen Befehl: llama-server -hf ggml-org/Qwen3.6-27B-GGUF --spec-default.

Für Teams ohne lokale Hardware ist das Modell über HuggingFace Inference Providers verfügbar (200+ Modelle ohne Aufschlag, gegenüber OpenRouters 5,5%-Zuschlag) sowie über BytePlus ModelArk als Teil eines 10-Dollar-Coding-Abonnements zusammen mit Kimi-K2.5 und DeepSeek-V3.2. Das BytePlus-Paket integriert sich mit Claude Code, Cursor, Cline und Codex CLI.

Das Community-Framing war pointiert: „bye bye subscription era" erschien gleichzeitig auf mehreren Accounts, als das Modell die HuggingFace-, @_akhaliq- und @simonw-Feeds innerhalb von Stunden nach der Veröffentlichung sättigte.

Strategische Einordnung

Ein parametereffizientes Open-Source-Modell, das größere geschlossene Angebote bei Coding-Workflows erreicht oder übertrifft, verengt die Argumente für Frontier-API-Abonnements — insbesondere angesichts der aktuellen Anthropic-Kontingentbeschränkungen. Für Teams, die agentische Coding-Pipelines im großen Maßstab betreiben, ist das Benchmarking von Qwen3.6-27B diese Woche gegen reale Workloads — nicht nur Bestenlisten-Scores — die relevante nächste Maßnahme.

#coding

Qwen3.6-27B übertrifft ein 397B-Modell bei Coding-Benchmarks

AI Intelligence Newsletter