Agen Coding AI Lokal: Qwen3.6 dengan Qwen-Code vs Langganan Codex dan Claude Code
OpenAI
Anthropic
Cohere
Meta
Tutorial Sebastian Raschka menjelaskan cara menyiapkan agen coding lokal menggunakan model LLM open-weight seperti Qwen3.6 dan harness seperti Qwen-Code, Codex, atau Claude Code. Artikel ini menyoroti manfaat seperti biaya, privasi, reprodusibilitas, dan penggunaan offline. Artikel ini membandingkan kinerja, penggunaan memori, dan kecepatan Qwen3.6 35B-A3B dengan North Mini Code dari Cohere.
Sebastian Raschka menyediakan tutorial untuk menyiapkan agen pengkodean lokal siap produksi menggunakan model open-weight LLM dan perangkat pengkodean lokal. Ia menggunakan Qwen3.6 dengan Qwen-Code sebagai kombinasi utama, dengan mencatat bahwa model Qwen dioptimalkan untuk Qwen-Code. Perangkat alternatif termasuk Codex, Claude Code, dan Cline. Ia merekomendasikan penggunaan Ollama untuk menjalankan model seperti Qwen3.6 35B-A3B (unduhan 22 GB, RAM 30-40 GB) atau North Mini Code 1.0 dengan ukuran serupa. Tolok ukur kecepatan menunjukkan bahwa Qwen3.6 dan North Mini menghasilkan sekitar 40 tok/detik di Mac Mini dan 30 tok/detik di DGX dengan RAM hingga 30 GB pada konteks 50k. Ia juga menyebutkan opsi cloud untuk model yang lebih besar seperti GLM 5.2. Pengaturan lokal ini transparan, dapat diperiksa, gratis (selain perangkat keras), dan memberikan privasi. Ia menyarankan bahwa kecepatan di atas 20-30 tok/detik sudah cukup untuk kerja agen lokal.
Sumber: Sebastian Raschka —
asli