Qwen lokal betreiben: welche Fassung auf welches Gerät

Qwen ist die Modellfamilie von Alibaba. Die Modelle lassen sich herunterladen und auf dem eigenen Rechner betreiben, und es gibt sie in vielen Größen: von unter einer Milliarde Parametern bis zu Modellen, die mehr Speicher brauchen, als ein Arbeitsplatzrechner hat.

Dazu kommt, dass mehrere Generationen nebeneinander stehen. Qwen3.5, Qwen3.6 und Qwen3.8 sind alle aktuell, und die höchste Nummer ist nicht automatisch die richtige Wahl. Dieser Text ordnet die Fassungen ein, zeigt, welche auf Ihr Gerät passt, und erklärt die zwei Einstellungen, die bei Qwen den Unterschied machen: das Nachdenken vor der Antwort und die Bauart des Modells. Die Zahlen zu Speicher und Geräten stammen aus unserem Katalog, der jedes Modell gegen 561 Geräte rechnet.

Welche Fassung auf welches Gerät passt

Die Tabelle nennt die aktuellen Qwen-Modelle der Reihen 3.5, 3.6 und 3.8 sowie Qwen3-Coder aus unserem Katalog, geordnet nach Speicherbedarf. Der Bedarf gilt für die verbreitete Variante Q4_K_M und 4.096 Token Kontext, also für einen gewöhnlichen Chat.

Daraus ergeben sich drei Stufen. Mit 8 GB Speicher ist Qwen3.5 4B die sichere Wahl. Mit 16 GB passt Qwen3.5 9B sicher auf einen Mac; bei anderen Geräten mit 16 GB läuft es oft nur eingeschränkt, etwa weil der Grafikspeicher kleiner ist. Die Klasse um 27 Milliarden Parameter läuft flüssig ab einer Grafikkarte mit 24 GB, einem Mac mit 48 GB oder einem Rechner mit Ryzen AI Max und gemeinsamem Speicher ab 32 GB; bei einem Mac mit 32 oder 36 GB hängt es vom Chip ab. Ob Ihr Gerät dazugehört, zeigt seine Seite in unserem Katalog; wie Sie es finden, beschreibt die Anleitung Welches Gerät habe ich?.

Die beiden großen Modelle am Ende der Tabelle sind für einen gewöhnlichen Rechner nicht gedacht. Qwen3.5 122B A10B läuft flüssig erst ab 128 GB gemeinsamem Speicher, auf manchen PCs mit Grafikkarte und mindestens 64 GB Arbeitsspeicher eingeschränkt, weil ein Teil ausgelagert wird. Qwen3.8 Flash Next braucht in der Variante Q8_0, die unser Katalog rechnet, einen Mac Studio mit 512 GB, eine Arbeitsstation der obersten Klasse oder einen Verbund mehrerer Geräte; auch stärker verdichtet liegt es über 100 GB.

Und Qwen 3.7?

Eine Fassung 3.7 zum Herunterladen gibt es nicht. Auf Hugging Face, wo Qwen seine Modelle veröffentlicht, liefert die Suche nach Qwen3.7 im Konto von Qwen keinen Treffer, und die Ollama-Bibliothek führt keinen offiziellen Eintrag; was dort unter qwen3.7 zu finden ist, haben Nutzer hochgeladen (Stand 29. September 2026). Wer eine aktuelle Qwen-Fassung auf dem eigenen Rechner sucht, greift zu Qwen3.8 oder Qwen3.6.

Qwen3.6 oder Qwen3.8: gleich groß, verschieden steuerbar

In der Klasse um 27 Milliarden Parameter gibt es zwei Modelle, Qwen3.6 27B und Qwen3.8 27B. Beide sind gleich groß, beide nehmen Text und Bilder entgegen, beide stehen unter Apache 2.0, und sie brauchen fast gleich viel Speicher.

Der Unterschied liegt in der Steuerung des Nachdenkens. Bei Qwen3.8 lässt sich einstellen, wie gründlich das Modell nachdenkt, bei Qwen3.6 nur, ob es nachdenkt. Wer neu anfängt, nimmt Qwen3.8 27B; es ist die jüngere Fassung, und OpenClaw etwa nennt es in seiner Anleitung als erste Wahl, sobald der Speicher reicht.

Qwen3.6 hat dafür eine Größe, die es bei Qwen3.8 nicht gibt: Qwen3.6 35B A3B, ein Modell aus vielen Teilnetzen.

Nachdenken vor der Antwort: an, aus oder in Stufen

Die aktuellen Qwen-Modelle denken vor jeder Antwort nach, und zwar von sich aus; so steht es übereinstimmend in den Modellkarten der Reihen 3.5, 3.6 und 3.8, etwa bei Qwen3.5-4B.

Das Nachdenken hilft bei Aufgaben, die Rechnen oder Planen verlangen. Bei kurzen Fragen kostet es Zeit, und es hat eine Falle, die wir auf dem eigenen Rechner beobachtet haben: Ist die Länge der Antwort knapp begrenzt, verbraucht das Modell die erlaubten Token schon beim Nachdenken, und die eigentliche Antwort bleibt leer.

So schalten Sie es ab:

• In Ollama im Chat: mit dem Befehl /set nothink. Schon beim Start geht es mit ollama run <modell> --think=false.
• In Ollama über die Schnittstelle: mit dem Feld "think": false in der Anfrage.
• Über llama.cpp, vLLM oder SGLang: mit "chat_template_kwargs": {"enable_thinking": false} in der Anfrage. So steht es in den Modellkarten für vLLM und SGLang und in der Anleitung von llama.cpp.

Die Kurzbefehle im Text der Frage, mit denen das ältere Qwen3 das Nachdenken an- und abschaltete, gelten für Qwen3.5 und Qwen3.6 nicht mehr. Die Modellkarte von Qwen3.6 sagt dazu: „Qwen3.6 does not officially support the soft switch of Qwen3, i.e., /think and /nothink.“

Bei Qwen3.8 gibt es zusätzlich Stufen. Neben an und aus lässt sich die Gründlichkeit einstellen:

„Thinking mode is on by default and can be disabled per request; reasoning depth can be tuned with reasoning_effort, and reasoning context from historical messages is retained via preserve_thinking.“

Über vLLM oder SGLang heißt der Wert reasoning_effort, mit den Stufen xhigh, medium und low; ab Werk gilt die gründlichste. In Ollama wählen Sie eine Stufe mit --think=<stufe>; welche Stufen es für ein Modell anbietet, zeigt ollama show <modell>.

Unsere Faustregel: Nachdenken aus für kurze Antworten, Zusammenfassungen und Sprachassistenten; an für Aufgaben mit Rechnung oder mehreren Schritten, dann mit großzügiger Antwortlänge.

Dicht oder aus Teilnetzen: was das für das Tempo heißt

Die Namen verraten die Bauart. Ein Modell wie Qwen3.8 27B ist dicht: für jedes Textstück rechnet das ganze Modell. Ein Modell mit „A3B“ im Namen besteht aus vielen Teilnetzen, sogenannten Experten, und für jedes Textstück rechnet nur eine kleine Auswahl davon, hier rund 3 Milliarden Parameter. Der Fachbegriff lautet Mixture of Experts.

Wie groß der Unterschied im Tempo ist, haben wir auf einer eigenen Grafikkarte gemessen, einer Radeon AI PRO R9700 mit 32 GB unter Vulkan, mit llama.cpp und jeweils der Variante Q4_K_M:

Ein Token ist ungefähr ein Wortteil. Die Werte sind reine Erzeugung ohne Hilfsmodell zur Vorhersage, gemessen mit llama-bench über fünf Läufe.

Das Modell aus Teilnetzen schreibt also rund sechsmal so schnell. Geladen sein müssen trotzdem alle Experten, auch die gerade untätigen: im Speicher liegen alle 30 Milliarden Parameter, gerechnet werden je Textstück nur 3. Ein solches Modell braucht also so viel Speicher wie ein dichtes seiner Gesamtgröße und antwortet dafür schneller. Deshalb braucht Qwen3.6 35B A3B mit 24,4 GB gut 5 GB mehr als die dichten Modelle mit 27 Milliarden Parametern und läuft auf weniger Geräten. Über die Qualität der Antworten sagt das Tempo nichts.

Qwen3-Coder 30B A3B ist ein Sonderfall. Es ist fürs Programmieren gebaut, nimmt nur Text entgegen und denkt laut seiner Modellkarte nie vor der Antwort nach. Für Agenten, die Code schreiben, ist es deshalb schnell und kommt ohne Umweg über das Nachdenken aus. Welche Werkzeuge dafür in Frage kommen, vergleicht der Ratgeber KI-Agenten lokal.

Und auf Deutsch?

Deutsch nennt keine der Modellkarten ausdrücklich. Die Karten der Reihe Qwen3.5 sprechen allgemein von 201 Sprachen:

„Global Linguistic Coverage: Expanded support to 201 languages and dialects, enabling inclusive, worldwide deployment with nuanced cultural and regional understanding.“

Bei Qwen3.6 und Qwen3.8 steht weder eine Sprachenzahl noch eine Liste.

Aus dem eigenen Betrieb mit Qwen3.8 27B können wir zweierlei sagen. In Aufgaben von einigen Minuten fanden wir keine Sprachfehler. In einem langen Lauf von 37 Minuten, an dessen Ende ein deutscher Bericht stand, waren es fünf, einer davon sinnentstellend, dazu zwei chinesische Schriftzeichen mitten in einem deutschen Kommentar. Das ist ein einzelner Lauf, keine Reihe; wer das Modell lange am Stück arbeiten lässt, sollte das Ergebnis trotzdem gegenlesen.

Wer ein Modell sucht, das ausdrücklich auf Deutsch hin entwickelt wurde, findet im Ratgeber Deutsche KI-Modelle die Alternativen.

Bilder lesen

Alle Modelle aus der Tabelle außer Qwen3-Coder nehmen neben Text auch Bilder entgegen, laut Modellkarte auch Videos; in Ollama sind nur Bilder vorgesehen.

Auf unserem Rechner liest Qwen3.8 27B Zahlen aus Bildern in unserem Test fehlerfrei, solange das Bild groß genug ist: bei 768 × 400 Pixeln waren 10 von 10 zufälligen Zahlen richtig, bei 384 × 200 Pixeln nur 6 bis 7 von 10. Bei der Beschreibung eines Bildschirmfotos hat es einmal ein Logo erfunden. Für das Ablesen klarer, ausreichend großer Zahlen taugt es; Schrift, Logos und Einzelheiten sollten Sie nachprüfen.

Wer llama.cpp direkt nutzt, braucht für Bilder eine zweite Datei, den sogenannten Projektor; lädt llama.cpp das Modell mit -hf von Hugging Face, holt es ihn selbst, sofern das Verzeichnis einen enthält, sonst geben Sie ihn mit --mmproj an. Die Modelle der Ollama-Bibliothek sind dort für Text und Bilder als Eingabe eingetragen.

So starten Sie Qwen

Mit Ollama genügt ein Befehl. Die Bibliothek von Ollama führt die Modelle unter kurzen Namen, etwa qwen3.8:27b, qwen3.6:35b-a3b oder qwen3.5:9b:

ollama run qwen3.8:27b
>>> /set parameter num_ctx 4096

Die zweite Zeile setzt den Kontext auf 4.096 Token, passend zu den Zahlen oben. Ohne sie wählt Ollama ab 24 GB Grafikspeicher, beim Mac ab 36 GB Arbeitsspeicher, von selbst mehr Kontext. Auf unseren Modellseiten steht zusätzlich ein Startbefehl, der die Datei direkt von Hugging Face holt. Mehr Kontext braucht mehr Speicher; wie viel, erklärt der Ratgeber Lokale KI-Modelle. Was Ollama und LM Studio unterscheidet, steht unter Ollama oder LM Studio.

Was Sie damit tun dürfen

Fast alle Qwen-Modelle aus der Tabelle stehen unter der Apache-2.0-Lizenz. Sie dürfen sie damit auch geschäftlich einsetzen, verändern und weitergeben; wer sie weitergibt, legt den Lizenztext bei.

Die Ausnahme ist Qwen3.8 Flash Next. Es steht unter einer eigenen Lizenz, der Qwen Community License 1.0. Sie erlaubt den gewerblichen Einsatz grundsätzlich. Eine gesonderte Lizenz von Qwen braucht aber, wer Sprachmodelle als Dienst für Dritte anbietet oder einen eigenständigen KI-Assistenten fürs Programmieren oder für Büroarbeit vertreibt, und ebenso, wessen verbundenes Unternehmen das tut. Der Einsatz im eigenen Haus ist ausgenommen, solange weder das Modell noch seine Ergebnisse oder Fähigkeiten Dritten zugänglich werden. Was die Lizenzen im Einzelnen erlauben, erklärt der Ratgeber Open Source KI.

Wann Qwen nicht die richtige Wahl ist

Wenn Sie ein Nachschlagewerk suchen. Qwen ist wie jedes lokale Modell gut darin, Text zu verarbeiten, den Sie mitliefern, und unzuverlässig, wenn es Wissen beisteuern soll. Warum das so ist, steht im Ratgeber Lokale KI.

Wenn lange deutsche Texte ungeprüft hinausgehen sollen. In unserem langen Lauf häuften sich die Sprachfehler. Für Texte, die ohne zweiten Blick veröffentlicht werden, ist das ein Risiko.

Wenn Sie Qwen3.8 Flash Next auf einem gewöhnlichen Rechner betreiben wollen. In der Variante Q8_0, die unser Katalog rechnet, braucht es 210,9 GB, und auch die stärker verdichteten Fassungen in der Ollama-Bibliothek liegen über 100 GB. Es läuft auf 9 der 561 geführten Geräte. Für fast alle ist Qwen3.8 27B die bessere Wahl aus derselben Reihe.