Qwen3.6 umfasst zwei offene Modelle, die auf agentisches Coding und Praxistauglichkeit ausgelegt sind: das MoE-Modell Qwen3.6-35B-A3B und das dichte Qwen3.6-27B. Das 27B-Modell übertrifft laut Qwen-Team das deutlich größere Qwen3.5-397B-A17B bei wichtigen Coding-Benchmarks und erreicht bei Terminal-Bench 2.0 den Wert von Claude Opus 4.5.
Beide Modelle verstehen Text, Bilder und Videos und nutzen die hybride Architektur mit linearer Attention aus Qwen3.5. Das MoE-Modell aktiviert je verarbeitetem Textbaustein (Token) nur 3 Milliarden Parameter, das dichte Modell alle 27 Milliarden. In FP8 laufen beide auf einer GPU mit 48 GB. Sie stehen unter der Lizenz Apache 2.0.
Qwen3.6 (Qwen3.6-35B-A3B und Qwen3.6-27B, je mit FP8)
Alibaba (Qwen-Team)
April 2026
Apache 2.0
Nativ multimodal (Text, Bild, Video), MoE bzw. dicht, Denkmodus und schneller Modus
35B-A3B: 35 Mrd. total (3 Mrd. aktiv), 27B: 27 Mrd. (dicht)
Hybrid aus Gated DeltaNet (lineare Attention) und Gated Attention im Verhältnis 3:1, Vision-Encoder, MTP
40 (35B-A3B), 64 (27B)
35B-A3B: 256 Experten, 8 aktiv je Token, 1 geteilter Experte
262.144 Token nativ, bis 1.010.000 Token mit YaRN
Das MoE-Modell mit 3 Milliarden aktiven Parametern, erschienen am 16. April 2026. Es antwortet besonders schnell, über die Alibaba-Cloud-API heißt es Qwen3.6-Flash.
Das dichte Modell, erschienen am 22. April 2026. Es ist beim agentischen Coding deutlich stärker als das MoE-Modell.
Vorgänger ist die Qwen3.5-Generation. Im August 2026 folgte Qwen3.8 mit einem neuen 27B-Modell und einem großen offenen Modell der Max-Klasse.
| Benchmark | Qwen3.6-27B | Qwen3.6-35B-A3B | Qwen3.5-27B | Qwen3.5-397B-A17B | Gemma4-31B | Claude Opus 4.5 |
|---|---|---|---|---|---|---|
| SWE-bench Verified | 77,2 | 73,4 | 75,0 | 76,2 | 52,0 | 80,9 |
| SWE-bench Pro | 53,5 | 49,5 | 51,2 | 50,9 | 35,7 | 57,1 |
| SWE-bench Multilingual | 71,3 | 67,2 | 69,3 | 69,3 | 51,7 | 77,5 |
| Terminal-Bench 2.0 | 59,3 | 51,5 | 41,6 | 52,5 | 42,9 | 59,3 |
| SkillsBench Avg5 | 48,2 | 28,7 | 27,2 | 30,0 | 23,6 | 45,3 |
| NL2Repo | 36,2 | 29,4 | 27,3 | 32,2 | 15,5 | 43,2 |
| Claw-Eval Avg | 72,4 | 68,7 | 64,3 | 70,7 | 48,5 | 76,6 |
| MMLU-Pro | 86,2 | 85,2 | 86,1 | 87,8 | 85,2 | 89,5 |
| GPQA Diamond | 87,8 | 86,0 | 85,5 | 88,4 | 84,3 | 87,0 |
| LiveCodeBench v6 | 83,9 | 80,4 | 80,7 | 83,6 | 80,0 | 84,8 |
| AIME26 | 94,1 | 92,7 | 92,6 | 93,3 | 89,2 | 95,1 |
| HMMT Feb 26 | 84,3 | 83,6 | 84,3 | 87,9 | 77,2 | 85,3 |
Quelle: offizielle Model Card zu Qwen3.6-27B (Qwen-Team, April 2026). Angaben in Prozent. SWE-bench mit eigenem Agenten-Gerüst, SWE-bench Pro auf einer korrigierten Aufgabenmenge. Für Qwen3.5-397B-A17B nennt dessen eigene Model Card 76,4 bei SWE-bench Verified.
Kompakte, multimodale Qwen-Modelle für agentisches Coding auf einer GPU. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
Das Qwen-Team veröffentlicht für Qwen3.6 keine eigenen Angaben zu den Trainingsdaten. Die Modelle bauen auf der Architektur von Qwen3.5 auf, die von Beginn an gemeinsam auf Text, Bildern und Videos trainiert wurde. Der Schwerpunkt der neuen Version liegt laut Qwen-Team auf Stabilität und praktischem Nutzen, besonders bei Frontend-Entwicklung und Arbeit in ganzen Repositories.
Qwen3.6 eignet sich für Entwicklungsteams, die einen starken Coding-Agenten auf einer GPU betreiben wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob 27B, 35B-A3B oder ein neueres Modell passt.
Stark beim agentischen Coding: Qwen3.6-27B erreicht bei Terminal-Bench 2.0 mit 59,3 den Wert von Claude Opus 4.5.
Stärker als Qwen3.5-397B beim Coding: Qwen3.6-27B liegt bei allen SWE-bench-Varianten und Terminal-Bench vor dem fast 15-mal größeren Modell.
Bester Wert bei SkillsBench: 48,2 für Qwen3.6-27B, vor Claude Opus 4.5 (45,3).
Eine GPU genügt: In FP8 auf einer L40S lauffähig.
Kommerziell frei nutzbar: Apache 2.0 ohne Umsatzgrenzen.
Hinter Claude Opus 4.5: Bei SWE-bench Verified (77,2 gegenüber 80,9), NL2Repo und Claw-Eval liegt Claude vorn.
Weniger Wissen als große Modelle: Bei MMLU-Pro, GPQA und HMMT liegt Qwen3.5-397B-A17B vorn.
MoE-Variante schwächer beim Coding: Qwen3.6-35B-A3B liegt beim agentischen Coding deutlich hinter dem dichten 27B-Modell.
Überholt durch Qwen3.8: Das Nachfolgemodell Qwen3.8-27B legt beim agentischen Coding laut Qwen-Team deutlich zu.
Wir planen die Cluster-Auslegung für Qwen3.6, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
Qwen3.6-27B ist dicht und beim agentischen Coding deutlich stärker. Qwen3.6-35B-A3B nutzt nur 3 Milliarden aktive Parameter und antwortet schneller, eignet sich also für viele Anfragen mit geringerer Komplexität.
In BF16 braucht das 27B-Modell rund 56 GB, das 35B-A3B-Modell rund 72 GB, beide passen auf eine H100. Mit den offiziellen FP8-Fassungen reichen rund 31 bzw. 38 GB, etwa auf einer L40S.
Mit preserve_thinking bleiben die Denkschritte früherer Nachrichten erhalten, statt sie zu verwerfen. Laut Qwen-Team hilft das besonders in Agenten-Abläufen mit vielen Schritten.
Ja. Das Qwen-Team von Alibaba veröffentlicht die Gewichte unter der Lizenz Apache 2.0. Sie dürfen das Modell ohne Umsatzgrenzen kommerziell einsetzen, anpassen und weitergeben.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
