Qwen3.6 auf dem Mac: 27B, 35B-A3B, Vision und Ollama

Qwen3.6 ist für Mac-Nutzer vor allem dann nützlich, wenn du die Varianten sauber trennst. Es gibt einen dichten Qwen3.6-27B-Checkpoint, das MoE-Modell Qwen3.6-35B-A3B und mehrere Ollama-Tags mit unterschiedlichen Paketgrößen. Qwens Modellkarten und die aktuelle Ollama-Seite führen die Familie multimodal mit Bildinput.¹²³

Für die Auswahl zählen vier Fragen: Welche Qwen3.6-Variante ist auf Apple Silicon ein sinnvoller Start, welcher Ollama-Befehl ist aktuell gelistet, wie unterscheiden sich die Tags, und welche Benchmark-Zahlen gehören wirklich zu welchem Modell?

Eine eigene Mac-Messung liegt nicht vor. Die veröffentlichte Paketgröße ist deshalb nur ein Startpunkt: Laufzeit, Kontext, Bildinput und die übrige Systemlast müssen mit dem konkreten Tag separat geprüft werden. Die 27B-Variante ist als dichtes Modell ein naheliegender erster Test, aber keine pauschale Leistungszusage.³⁴

Die Grafik ordnet die Qwen3.6-Tags nach Modellvariante, Bildinput, Coding-Schwerpunkt und Unified-Memory-Bedarf. Die Zuordnung basiert auf den Qwen-Modellkarten und den aktuellen Ollama-Einträgen; geprüft am 14. August 2026.¹²³

---

Qwen3.6: Faktenstand 14. August 2026

Die Modellkarten nennen 262.144 native Kontexttokens und beschreiben YaRN als optionalen Weg für längere Kontexte; Ollama zeigt die aktuell gelisteten Paketgrößen und Modalitäten pro Tag.¹²³

Kriterium	Qwen3.6-27B	Qwen3.6-35B-A3B
Release	22. April 2026	14. April 2026
Architektur	Dense	Mixture of Experts
Parameter	27B	35B total / 3B active
Aktiv pro Token	alle 27B	3B aktiv
Vision	ja, bei Vision-fähigem Tag/Runtime	ja
Kontext	262.144 nativ, bis ca. 1.010.000 erweiterbar	262.144 nativ, bis ca. 1.010.000 erweiterbar
Lizenz	Apache 2.0 / Open Weights	Apache 2.0 / Open Weights
Stärke	Dense-Profil, Vision, lokale Ollama-Nutzung	MoE, Agentic Coding, Vision
Mac-Eignung	17–20-GB-Ollama-Paket; 24 GB nur mit knapper Reserve	22–24-GB-Ollama-Paket; mehr Reserve ist sinnvoll

---

Qwen3.6-27B vs Qwen3.6-35B-A3B — nicht dasselbe

Qwen3.6-27B ist ein dense Modell: Alle 27B Parameter werden pro Token aktiviert. Es ist einfacher zu quantisieren, lokal stabil und eignet sich gut als Einstieg auf Apple Silicon.

Qwen3.6-35B-A3B ist ein Mixture-of-Experts-Modell: 35B Gesamtparameter, aber nur 3B werden pro Token aktiviert. Bei der Inferenz werden nur ~3B der 35B Parameter aktiviert — das Modell arbeitet also sparsamer als ein vergleichbar großes Dense-Modell, braucht aber mehr Aufmerksamkeit bei Tag-Auswahl, Runtime, Kontextlänge und Vision-Unterstützung.

---

Welchen Ollama-Tag soll ich auf dem Mac nehmen?

Laut Ollama Library und Tag-Liste (Stand 14. August 2026):³⁴

Ziel	Empfohlener Tag	Warum
Vision + lokale Nutzung	qwen3.6:27b	17 GB, Text + Image, niedrigere Einstiegshürde
Größere Vision-/MoE-Variante	qwen3.6:35b	24 GB, Text + Image, besser auf 32 GB+
MLX-Variante	qwen3.6:27b-mlx	20 GB, MLX, Text + Image
MoE/MLX-Variante	qwen3.6:35b-mlx	22 GB, MLX, Text + Image
Maximale Qualität / BF16	BF16-Tags	nur für sehr große Macs/Workstations

Ollama listet die vier hier verglichenen Tags als Text, Image. Das ist eine Aussage der Modellseite, keine Zusage für identische Bildqualität oder denselben Speicherbedarf in jeder Runtime. Prüfe vor dem Einsatz den konkreten Tag und die lokale Runtime.³⁴

ollama run qwen3.6 nutzt den aktuellen Default-/Latest-Tag. Wenn du gezielt den leichteren lokalen Einstieg willst, nenne den Tag explizit: qwen3.6:27b.

---

Setup mit Ollama

Ollama installieren

brew install ollama

Modell herunterladen

# Vision-fähiger 27B-Einstieg (Text + Image)
ollama pull qwen3.6:27b

# Größere 35B-A3B/MoE-Variante (Text + Image)
ollama pull qwen3.6:35b

# MLX-Tag — laut Ollama ebenfalls Text + Image
ollama pull qwen3.6:27b-mlx

# MoE/MLX-Tag — laut Ollama ebenfalls Text + Image
ollama pull qwen3.6:35b-mlx

Modell starten

# Vision-Variante starten
ollama run qwen3.6:27b

# MLX-Variante starten
ollama run qwen3.6:27b-mlx

Vision: nur mit dem richtigen Tag

Qwen3.6 ist multimodal. Die aktuelle Ollama-Seite listet qwen3.6:27b, qwen3.6:35b, qwen3.6:27b-mlx und qwen3.6:35b-mlx als Text + Image. Verlasse dich trotzdem nicht auf einen alten Screenshot oder einen fremden Tag: prüfe die konkrete Modellseite vor dem Pull.¹²³

Bild mit einer Vision-fähigen Variante. Setze IMAGE_URL vor dem Start auf eine öffentlich erreichbare HTTPS-Bild-URL; die API kann keine Datei abrufen, die nur auf deinem Mac liegt.

import os
from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
image_url = os.environ["IMAGE_URL"]  # öffentliche HTTPS-Bild-URL
response = client.chat.completions.create(
    model="qwen3.6:27b",  # oder qwen3.6:35b; den konkreten Tag vorher prüfen
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": image_url}},
            {"type": "text", "text": "Was zeigt dieses Bild?"}
        ]
    }]
)
print(response.choices[0].message.content)

---

Thinking richtig nutzen — ohne Denkspur-Hype

Qwen3.6 ist für Thinking-Workflows trainiert. Aber du solltest nicht blind lange Denkspuren ausgeben lassen:

• Für normale Antworten reicht eine kurze Begründung.
• Für Agenten ist preserve_thinking wichtiger — das Modell nutzt frühere Denk-/Arbeitskontexte konsistenter.
• enable_thinking: false schaltet Thinking bei unterstützenden Runtimes ab.

In Ollama ohne spezielle API-Parameter: Bitte einfach um kurze Begründung und Ergebnis, statt das Modell aufzufordern, seine gesamten Reasoning-Schritte auszugeben.

---

Benchmarks: welche Zahlen zu welchem Modell?

Viele Werte setzen spezielle Agent-Scaffolds, lange Kontextfenster oder Tool-Setups voraus und sind deshalb nicht 1:1 auf deinen Mac übertragbar.

Qwen3.6-35B-A3B, laut Qwen (April 2026)

Die folgenden Werte stammen aus Qwens eigener Veröffentlichung und sind Anbieterbenchmarks, keine Mac-Messungen.⁵

Benchmark	Wert	Einordnung
AIME 2026	92,7 %	voller AIME 2026 I & II, laut Qwen
MMLU-Pro	85,2 %	Wissens-/Reasoning-Benchmark
LiveCodeBench v6	80,4 %	Coding
SWE-bench Verified	73,4 %	Agentic Coding, interner Scaffold
Terminal-Bench 2.0	51,5 %	5 Runs, 256K Kontext, spezieller Harness
MMMU	81,7 %	Vision/Multimodal
MathVista mini	86,4 %	visuelles mathematisches Reasoning

Einordnung der Qwen3.6-27B-Werte

Die 27B-Werte stammen aus der separaten Qwen3.6-27B-Veröffentlichung und werden deshalb nicht mit der 35B-A3B-Tabelle vermischt.⁶ Qwen nutzt bei Agentenaufgaben spezielle Scaffolds, lange Kontextfenster, mehrere Läufe und Tool-Setups. Die Zahlen helfen bei der Einordnung, sind aber keine Mac-Messungen.

---

RAM-/Unified-Memory-Empfehlungen

Die Ollama-Modellgröße ist nur ein Anhaltspunkt. Realer Speicherbedarf hängt von Quantisierung, Kontextlänge, KV-Cache, Runtime und anderen Apps ab.

Unified Memory	Empfehlung
16 GB	Eher kleinere Qwen3-Modelle oder stark quantisierte 27B-Experimente; Qwen3.6 nicht entspannt
24 GB	17–20-GB-Tags nur mit knapper Reserve; kurzer Kontext und wenig Hintergrundlast
32 GB	27B als praktikabler Test; 35B-A3B eher experimentell und kontextlimitiert
48 GB+	Deutlich mehr Spielraum für 35B-A3B, Vision und längeren Kontext
64 GB+	Mehr Reserve für große Tags und Kontext, aber weiterhin runtimeabhängig

Geschwindigkeit auf dem Mac hängt stark von Mac-Modell, RAM, Kontext, Quantisierung, Ollama-/MLX-Version, Promptlänge und Vision ab.

---

Qwen3.6 vs Alternativen auf dem Mac

Modell	Lokal auf Mac?	Vision?	Stärke	Anmerkung
Qwen3.6-27B	ja, quantisiert realistisch	ja bei passendem Tag	Coding, Vision, dichter 27B-Allrounder	braucht 24–32 GB sinnvoll
Qwen3.6-35B-A3B	ja, aber eher 32 GB+	ja	MoE, Agentic Coding, lange Kontexte	Tags/Quantisierung genau prüfen
Gemma 3 27B	ja	ja	Vision + solide lokale Qualität	älter, andere Benchmarks
Qwen3 14B/32B	ja	meist text-only je nach Tag	leichter/schneller	weniger Agent-Fokus als Qwen3.6
Cloud-Modelle	nein/lokal nicht	je nach Anbieter	maximale Qualität	Datenschutz/Kosten/API

---

Fazit: Varianten sauber trennen lohnt sich

Qwen3.6 ist für Mac-Nutzer nützlich, aber nur, wenn du die Varianten sauber trennst. Qwen3.6-27B ist der naheliegende lokale Einstieg, besonders mit einem gelisteten Ollama-Tag und begrenztem Kontext. Qwen3.6-35B-A3B ist als MoE-Modell relevant, braucht aber mehr Speicherreserve und Aufmerksamkeit bei Tag, Runtime, Vision-Unterstützung und Kontext.¹²³

Die wichtigste Regel: Installiere nicht blind den Tag mit dem verlockendsten Namen. Prüfe, ob du Vision brauchst, wie viel Unified Memory frei ist, welche Modalität der aktuelle Tag ausweist und ob deine Benchmark-Erwartung wirklich zur Modellvariante passt.³⁴

Fazit für den Einstieg: Wer Qwen3.6 testen will, startet mit der 27B-Variante. Sie ist der vorsichtigere Einstieg; ein Mac mit 24–32 GB kann trotzdem durch Kontext, Runtime und freie Systemreserve limitiert werden.

---

Quellen und Stand

Stand: geprüft am 14. August 2026. Qwen3.6 entwickelt sich weiter; Ollama-Tags, Paketgrößen und Benchmarktabellen können sich ändern. Qwen3.8-Max ist inzwischen ein separates neueres Familienmitglied; betrachtet werden hier nur lokale Qwen3.6-Gewichte und Ollama-Tags.⁷

Quellen

Footnotes

1. https://huggingface.co/Qwen/Qwen3.6-27B ↩ ↩² ↩³ ↩⁴ ↩⁵

2. https://huggingface.co/Qwen/Qwen3.6-35B-A3B ↩ ↩² ↩³ ↩⁴ ↩⁵

3. https://ollama.com/library/qwen3.6 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹

4. https://ollama.com/library/qwen3.6/tags ↩ ↩² ↩³ ↩⁴

5. https://qwen.ai/blog?id=qwen3.6-35b-a3b ↩

6. https://qwen.ai/blog?id=qwen3.6-27b ↩

7. https://qwen.ai/blog?id=qwen3.8 ↩