Lokaler AI-Coding-Agent: Qwen3.6 mit Qwen-Code vs. Abonnements von Codex und Claude Code
OpenAI
Anthropic
Cohere
Meta
Sebastian Raschkas Tutorial erklärt, wie man einen lokalen Coding-Agenten mit Open-Weight-LLMs wie Qwen3.6 und Harness-Tools wie Qwen-Code, Codex oder Claude Code einrichtet. Es hebt Vorteile wie Kosten, Datenschutz, Reproduzierbarkeit und Offline-Nutzung hervor. Der Artikel vergleicht Leistung, Speicherverbrauch und Geschwindigkeit von Qwen3.6 35B-A3B und Coheres North Mini Code.
Sebastian Raschka stellt ein Tutorial zur Einrichtung eines produktionsreifen lokalen Coding-Agenten mit Open-Weight-LLMs und lokalen Coding-Harnessen vor. Er verwendet Qwen3.6 mit Qwen-Code als primäre Kombination und weist darauf hin, dass Qwen-Modelle für Qwen-Code optimiert sind. Alternative Harnesses sind Codex, Claude Code und Cline. Er empfiehlt, Ollama zu verwenden, um Modelle wie Qwen3.6 35B-A3B (22 GB Download, 30-40 GB RAM) oder das ähnlich große North Mini Code 1.0 zu bedienen. Ein Geschwindigkeitsbenchmark zeigt, dass Qwen3.6 und North Mini auf einem Mac Mini etwa 40 Tokens pro Sekunde und auf einer DGX mit bis zu 30 GB RAM bei 50k Kontext 30 Tokens pro Sekunde generieren. Er erwähnt auch Cloud-Optionen für größere Modelle wie GLM 5.2. Das lokale Setup ist transparent, überprüfbar, kostenlos (abgesehen von der Hardware) und bietet Privatsphäre. Er meint, dass alles schneller als 20-30 Tokens pro Sekunde für lokale Agentenarbeit akzeptabel ist.
Quelle: Sebastian Raschka —
Original