Qwen3-Coder-Next: Effizienz im lokalen Code-Agenten

Warum schicken wir den Quellcode unserer Projekte in die Cloud, nur um einen Bug zu finden, den ein lokales Modell längst erkannt hätte? Die Antwort ist meistens die Hardware. Bisher hieß es: Entweder ein kleines Modell, das schnell ist, aber oft halluziniert, oder ein riesiges Modell, das präzise arbeitet, aber einen Serverpark benötigt.

Mit Qwen3-Coder-Next versucht Alibaba diesen Kompromiss aufzulösen. Der Kern ist eine Mixture-of-Experts-Architektur (MoE). Das Modell hat zwar insgesamt 80 Milliarden Parameter, aktiviert aber pro Token nur etwa 3 Milliarden. Das bedeutet konkret: Die Intelligenz eines großen Modells bei der Rechenlast eines kleinen.

In unsere internen Tests konnte das Model durchaus in Sachen Geschwindigkeit, Agentic Coding und der Lösung komplexer Aufgaben beeindrucken.

In den Benchmarks, speziell beim SWE-Bench Verified, erreicht das Modell 70,6 Prozent. Damit liegt es knapp vor DeepSeek-V3.2. Zahlen sind in der Werkstatt zwar wichtig, sagen aber wenig über den Arbeitsalltag aus. Viel interessanter ist die Ausrichtung auf sogenannte Agenten. Das Modell soll nicht nur Code-Schnipsel produzieren, sondern eigenständig Terminal-Befehle ausführen und Fehler beheben. Es geht also weg vom reinen Autocomplete hin zu einem Werkzeug, das operative Schritte übernimmt.

Die Frage ist die Hardware. Wer dieses Modell lokal betreiben will, muss verstehen, dass die 3 Milliarden aktiven Parameter zwar die Latenz senken, die 80 Milliarden Gesamtparameter aber immer noch im Speicher liegen müssen. Ein handelsüblicher Laptop mit 16 GB RAM reicht hier nicht aus. Für einen flüssigen Betrieb in einer lokalen Entwicklungsumgebung braucht man entweder eine Workstation mit mehreren RTX 3090 oder 4090 Grafikkarten oder einen Mac Studio mit ausreichendem Unified Memory (mindestens 64 GB, besser 128 GB), um die Gewichte unterzubringen.

(Randnotiz: Quantisierte Versionen senken den Speicherbedarf, kosten aber oft an Präzision.)

Das Modell ist als Open-Weight-Variante über Hugging Face verfügbar. Es ist ein solides Werkzeug für diejenigen, die Datensouveränität nicht als Schlagwort, sondern als technische Anforderung definieren. Wer seine IP nicht an Drittanbieter ausliefern möchte, findet hier eine Option, die performant genug ist, um echte Coding-Workflows zu unterstützen, ohne dass das System unter der Last zusammenbricht.

Ob die Agenten-Funktionalität im Terminal-Bench mit 36,2 Prozent bereits reif für die produktive Softwareentwicklung im Mittelstand ist, bleibt abzuwarten. Es ist ein Anfang, der die Abhängigkeit von proprietären APIs verringert.

---

Weiterlesen

• Qwen 3.6 im Werkstatt-Test — dieselbe Modellfamilie im Alltagsbetrieb auf RTX-Karten und Unified Memory
• Vom Schreiben zum Prüfen: Die Rolle des Code-Controllers — was sich an der Arbeitsteilung ändert, wenn ein Agent den Code schreibt
• Ein Agent, der bleibt: Der Hermes-Agent und lokale KI-Modelle — ein Agentenrahmen, der solche Modelle lokal einbindet