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 ein dense Qwen3.6-27B, ein MoE-Modell Qwen3.6-35B-A3B, Ollama-Tags mit Vision, MLX-Tags ohne Bildinput und unterschiedliche Speichergrößen.

Dieser Guide räumt auf: Welche Qwen3.6-Variante läuft sinnvoll auf Apple Silicon, welcher Ollama-Befehl ist korrekt, wann bekommst du Vision, wann nur Text, und welche Benchmark-Zahlen gehören wirklich zu welchem Modell?

Ich habe Qwen3.6 auf meinem Mac Mini M4 mit 32 GB getestet, und Die 27B-Variante ist der pragmatische Einstieg. Sie läuft stabil und liefert für Coding und Vision-Aufgaben solide Ergebnisse — ohne den RAM zu vollzuladen.

Grafik auf Basis der offiziellen Qwen-Model-Cards und der Ollama-Modellseite. Quellen: Ollama Qwen3.6, Qwen3.6-27B Model Card, Qwen3.6-35B-A3B Model Card. Geprüft am 27. Mai 2026.

---

Qwen3.6 — Faktenstand Mai 2026

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	realistisch als quantisierter Ollama-/MLX-Tag auf 24–32 GB	eher 32 GB+, je nach Quantisierung und Kontext

---

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 (Stand Mai 2026):

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/Coding ohne Vision	qwen3.6:27b-mlx	20 GB, MLX, Text-only
MoE/MLX ohne Vision	qwen3.6:35b-mlx	22 GB, MLX, Text-only
Maximale Qualität / BF16	BF16-Tags	nur für sehr große Macs/Workstations

Wichtig: Die MLX-Tags sind laut Ollama Text-only. Wenn du Vision brauchst, nimm nicht automatisch einen MLX-Tag. Prüfe in der Ollama Library, ob der konkrete Tag Text, Image oder nur Text unterstützt.

Ebenfalls wichtig: 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 — Text-only, NICHT Vision-fähig
ollama pull qwen3.6:27b-mlx

# MoE/MLX-Tag — Text-only
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 kann Vision — aber nicht jeder Ollama-Tag ist vision-fähig. qwen3.6:27b und qwen3.6:35b sind als Text + Image gelistet. Die MLX-Tags sind als Text-only gelistet.

Bild mit einer Vision-fähigen Variante:

from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
response = client.chat.completions.create(
    model="qwen3.6:27b",  # oder qwen3.6:35b — nicht mlx für Vision
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": "https://example.com/bild.png"}},
            {"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 nutzen spezielle Agent-Scaffolds, lange Kontextfenster oder Tool-Setups.auf deinen Mac übertragbar.

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

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

Qwen3.6-27B

27B-Werte aus der Qwen3.6-27B-Veröffentlichung (22. April 2026) und dürfen nicht mit der 35B-A3B-Tabelle vermischt werden.

Note: Viele Qwen-Benchmarks nutzen spezielle Agent-Scaffolds, lange Kontextfenster, mehrere Läufe und Tool-Setups. Nützlich zur Einordnung.

---

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	qwen3.6:27b oder 27b-mlx realistisch, aber Kontext und parallele Apps begrenzen
32 GB	Guter Sweet Spot für 27B und vorsichtige 35B-A3B-Nutzung
48 GB+	Deutlich entspannter für 35B-A3B, Vision und längeren Kontext
64 GB+	BF16 und hoher Kontext realistischer, aber noch immer 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

---

FAQ

Ist Qwen3.6-27B dasselbe wie Qwen3.6-35B-A3B? Nein. 27B ist ein dense Modell, 35B-A3B ist ein MoE-Modell mit 35B total und 3B aktiv pro Token.

Welchen Qwen3.6-Tag soll ich auf dem Mac installieren? Für Vision: qwen3.6:27b als Einstieg. Für MLX/Text ohne Vision: qwen3.6:27b-mlx. Für mehr RAM/Experimentieren: qwen3.6:35b oder qwen3.6:35b-mlx.

Hat qwen3.6:27b-mlx Vision? Laut Ollama ist dieser Tag Text-only. Für Bilder solltest du einen Text+Image-Tag wie qwen3.6:27b oder qwen3.6:35b verwenden.

Reichen 24 GB Unified Memory? Für den 27B-Tag kann es mit begrenztem Kontext funktionieren, aber es ist kein komfortabler Dauerbetrieb mit vielen Apps, Vision und großem Kontext. 32 GB sind entspannter, 48 GB besser für 35B-A3B.

Sind die Qwen-Benchmarks direkt auf meinen Mac übertragbar? Nein. Viele Werte stammen aus speziellen Agent-/Server-Setups. Auf dem Mac beeinflussen Quantisierung, Kontextlänge, Runtime und Speicher die Leistung.

---

Fazit

Qwen3.6 ist für Mac-Nutzer nützlich, aber nur, wenn man die Varianten sauber trennt. Qwen3.6-27B ist der praktischere lokale Einstieg, besonders mit quantisierten Ollama- oder MLX-Tags. Qwen3.6-35B-A3B ist als MoE-Modell relevant, braucht aber mehr Aufmerksamkeit bei Tag, Runtime, Vision-Unterstützung und Speicher.

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

Was ich mitnehmen würde: Wer Qwen3.6 testen will, sollte mit der 27B-Variante starten. Sie ist der perfekte Kompromiss aus Qualität und Ressourcenverbrauch auf einem Mac mit 24-32 GB RAM.

---

Quellen und Stand

Stand: geprüft am 27. Mai 2026. Qwen3.6 entwickelt sich schnell; Ollama-Tags, MLX-Quantisierungen und Benchmarktabellen können sich ändern.

• Qwen3.6-27B Offizieller Blog
• Qwen3.6-35B-A3B Offizieller Blog
• Qwen3.6-27B auf HuggingFace
• Qwen3.6-35B-A3B auf HuggingFace
• Ollama — Qwen3.6