Nach der Qwen3.5-Reihe vom Februar präsentiert das Team von Alibaba eine bemerkenswerte Neuheit. Das Qwen Team hat das Open-Source-Modell Qwen3.6-35B-A3B veröffentlicht. Das Modell verfügt insgesamt über 35 Milliarden Parameter, verwendet davon jedoch lediglich 3 Milliarden aktiv. Wie ist das überhaupt möglich und was bedeutet das für Entwickler?
MoE-Architektur
Qwen3.6-35B-A3B ist ein sogenanntes Sparse-Modell mit einer Mixture-of-Experts-Architektur (MoE - Mixture of Experts). Die Gesamtzahl der Parameter des Modells beträgt zwar 35 Milliarden, doch bei jeder Berechnung wird nur ein Teil davon aktiviert, konkret 3 Milliarden. In der Praxis bedeutet das eine schnellere Verarbeitung bei geringeren Hardwareanforderungen, während die Leistung erhalten bleibt, für die normalerweise deutlich größere Modelle erforderlich sind.
Das Modell besteht aus 40 Schichten und nutzt eine Kombination aus sogenannten Gated-DeltaNet- und Gated-Attention-Mechanismen. Innerhalb der MoE-Architektur arbeitet es mit 256 Experten, wobei bei jedem Durchlauf 8 geroutete sowie 1 gemeinsamer Experte aktiviert werden. Das Kontextfenster umfasst standardmäßig 262 144 Token und kann mithilfe der YaRN-Technik auf ungefähr eine Million Token erweitert werden. Dadurch erhalten Entwickler die Möglichkeit, mit wirklich umfangreichen Projekten zu arbeiten.
Besseres agentisches Programmieren
Worin sticht Qwen3.6-35B-A3B konkret hervor? Vor allem im Bereich des agentischen Programmierens. Im Benchmark Terminal-Bench 2.0 erreichte es eine Punktzahl von 51,5 und übertraf damit sowohl Qwen3.5-27B (41,6) als auch Gemma4-31B (42,9). Ein ähnliches Ergebnis zeigt sich auch bei QwenWebBench, wo das Modell 1397 Punkte gegenüber 1068 bei Qwen3.5-27B und 1197 bei Gemma4-31B erzielte.
Bei SWE-bench Verified, einem der renommiertesten Tests für agentisches Arbeiten mit Code, erreichte es 73,4 Punkte. Das liegt zwar geringfügig unter dem Ergebnis von Qwen3.5-27B (75,0), aber deutlich über dem älteren Qwen3.5-35B-A3B (70,0) und weit vor Gemma4-31B mit lediglich 52,0 Punkten. Dabei aktiviert Qwen3.6-35B-A3B für die Berechnung nur 3 Milliarden Parameter, während Qwen3.5-27B 27 Milliarden davon einbezieht.
Im Mathematiktest AIME 2026 erreichte das Modell 92,7 Punkte und übertraf damit sogar Qwen3.5-27B (92,6). Im GPQA-Diamond-Datensatz, der wissenschaftliches Schlussfolgern testet, erzielte es 86,0 Punkte und damit mehr als jedes der verglichenen Modelle.
Multimodale Fähigkeiten
Qwen3.6-35B-A3B ist kein reines Textmodell. Es verarbeitet Bildeingaben, Videos und Dokumente, und seine Ergebnisse in diesen Bereichen sind mindestens mit Claude Sonnet 4.5 vergleichbar. Bei RealWorldQA erreichte es 85,3 gegenüber 70,3 bei Claude Sonnet 4.5. Beim räumlichen Schlussfolgern im Benchmark RefCOCO erzielte das Modell 92,0 Punkte, während Qwen3.5-27B bei 90,9 stehen blieb.
Besonders bemerkenswert ist das Ergebnis bei ODInW13, einem Test zur Erkennung von Objekten in der realen Welt: 50,8 Punkte gegenüber 41,1 bei Qwen3.5-27B. Im Video-Benchmark VideoMMMU übertraf das Modell anschließend alle Konkurrenten mit einer Punktzahl von 83,7 Punkten.
Bewahrung des Gedankenkontexts
Eine der praktisch interessantesten Neuerungen von Qwen3.6 ist die Funktion preserve_thinking. Standardmäßig „denkt“ das Modell vor jeder Antwort nach und erzeugt Reasoning-Inhalte. Die neue Option ermöglicht es, diesen Reasoning-Kontext auch aus vorherigen Nachrichten der Unterhaltung zu übernehmen, nicht nur aus der aktuellen Anfrage.
Für agentische Szenarien hat dies direkte Auswirkungen: Das Modell wahrt die Konsistenz seiner Entscheidungen über den gesamten Arbeitsablauf hinweg besser, wiederholt unnötige Berechnungen seltener und nutzt den Cache effizienter. Das Qwen Team empfiehlt diese Funktion ausdrücklich für agentische Einsätze. Das Modell kann außerdem in einen nicht reflektierenden Modus umgeschaltet werden, in dem es das Reasoning überspringt und direkt antwortet, wenn der Nutzer eine schnelle Antwort bevorzugt.
Wo und wie das Modell ausgeführt werden kann
Das Modell ist sowohl auf Hugging Face als auch auf ModelScope frei verfügbar. Die Gewichte können heruntergeladen und lokal ausgeführt werden. Für Produktiveinsätze und Szenarien mit höherer Auslastung empfiehlt das Team die Frameworks SGLang, vLLM oder KTransformers.
Über Alibaba Cloud Model Studio ist das Modell unter der Bezeichnung qwen3.6-flash verfügbar und unterstützt sowohl das OpenAI-kompatible Protokoll als auch eine mit Anthropic kompatible Schnittstelle. Konkret bedeutet das, dass es durch eine einfache Änderung der Umgebungsvariablen direkt in Claude Code eingebunden werden kann, ohne den Code anzupassen.
Für Entwickler, die das Modell lokal über SGLang starten möchten, genügt der grundlegende Befehl: python -m sglang.launch_server --model-path Qwen/Qwen3.6-35B-A3B --port 8000 --tp-size 8 --context-length 262144 --reasoning-parser qwen3
Bei vLLM ist das Vorgehen sehr ähnlich. Beide Varianten unterstützen Multi-Token Prediction (MTP), wodurch die Inferenz zusätzlich beschleunigt wird.
Integration mit Coding-Tools: OpenClaw, Claude Code und Qwen Code
Das Modell lässt sich nahtlos mit drei zentralen Tools für agentisches Programmieren verbinden. OpenClaw (früher Moltbot/Clawdbot) ist ein agentischer Open-Source-Coder für das Terminal, der mit Model Studio verbunden werden kann. Qwen Code ist Qwens eigener Terminal-Agent, der direkt für Modelle der Qwen-Reihe optimiert wurde. Hinzu kommt Claude Code von Anthropic, für dessen Nutzung mit dem Qwen-Modell lediglich die Umgebungsvariablen neu konfiguriert werden müssen.
Die Community hat das Modell schnell aufgegriffen. In weniger als einer Woche kamen auf Hugging Face 167 quantisierte Varianten des Modells, 52 feinabgestimmte Versionen und 8 Adapter hinzu. Die Zahl der Downloads hat bereits 200 000 überschritten.
Empfohlene Einstellungen für optimale Leistung
Das Qwen Team empfiehlt für unterschiedliche Aufgabentypen verschiedene Werte der Sampling-Parameter. Für den Denkmodus bei allgemeinen Aufgaben: temperature 1,0, top_p 0,95, top_k 20. Für präzise Coding-Aufgaben wie WebDev: temperature 0,6, top_p 0,95. Für den direkten Modus ohne Schlussfolgern: temperature 0,7, top_p 0,8.
Für Benchmarks mit schwierigen mathematischen oder programmiertechnischen Problemen empfiehlt das Team, die maximale Ausgabelänge auf 81 920 Token festzulegen, damit das Modell ausreichend Raum für detailliertes Schlussfolgern hat. Für die meisten Anfragen reichen 32 768 Token aus.
Das Modell kann auch extrem lange Texte verarbeiten. Mit der YaRN-Technik lässt sich das Kontextfenster auf ungefähr eine Million Token erweitern, konkret auf 1 010 000. Dies eröffnet Möglichkeiten zur Analyse umfangreicher Repositorys oder stundenlanger Videos in einem einzigen Durchlauf, wofür früher selbst wesentlich größere Modelle nicht ausgereicht hätten.
