Paikallinen tekoälykoodausagentti: Qwen3.6 ja Qwen-Code vs. Codex- ja Claude Code -tilaukset
OpenAI
Anthropic
Cohere
Meta
Sebastian Raschkan opetusohjelma selittää, miten paikallinen koodausagentti rakennetaan käyttäen avoimen painon suurta kielimallia, kuten Qwen3.6, sekä työkaluja, kuten Qwen-Code, Codex tai Claude Code. Se korostaa etuja, kuten kustannukset, yksityisyys, toistettavuus ja offline-käyttö. Artikkeli vertailee Qwen3.6 35B-A3B- ja Coheren North Mini Code -mallien suorituskykyä, muistinkäyttöä ja nopeutta.
Sebastian Raschka tarjoaa oppaan tuotantokäyttöön soveltuvan paikallisen koodausagentin perustamiseen, jossa käytetään avoimen painon LLM-malleja ja paikallisia koodausvaljaita. Hän käyttää ensisijaisena yhdistelmänä Qwen3.6:tta Qwen-Coden kanssa ja huomauttaa, että Qwen-mallit on optimoitu Qwen-Codea varten. Vaihtoehtoisia valjaita ovat Codex, Claude Code ja Cline. Hän suosittelee Ollaman käyttöä mallien, kuten Qwen3.6 35B-A3B (22 GB lataus, 30-40 GB keskusmuistia) tai samankokoisen North Mini Code 1.0:n, tarjoamiseen. Nopeustestissä Qwen3.6 ja North Mini tuottavat noin 40 tokenia sekunnissa Mac Minillä ja 30 tokenia sekunnissa DGX:llä, jossa on enintään 30 GB keskusmuistia ja 50 000 tokenin konteksti. Hän mainitsee myös pilvipalveluvaihtoehdot suuremmille malleille, kuten GLM 5.2. Paikallinen asennus on läpinäkyvä, tarkastettava, ilmainen (laitteistoa lukuun ottamatta) ja yksityisyyttä kunnioittava. Hän ehdottaa, että yli 20-30 tokenia sekunnissa on riittävä nopeus paikalliselle agenttityölle.
Lähde: Sebastian Raschka —
Alkuperäinen