Lokales Modell oder Claude fürs Vibe Coding: was Qwen3.8-27B auf einer RTX PRO erreicht

Wie nah lokale Modelle beim App-Bau herankommen

Beim Bau von Web-Apps und internen Werkzeugen aus Prompts kommt Qwen3.8-27B, Qwens neuestes dichtes Modell und eines, das auf eine einzelne Workstation-Karte passt, in Qwens eigenen Benchmarks für agentisches Coding nah an die Claude-Opus-Modelle heran, mit denen es verglichen wird: in einigen vorn, in anderen dahinter. Anthropic hat seitdem neuere Modelle veröffentlicht, und eine veröffentlichte Tabelle, die sie mit Qwen3.8 im selben Aufbau vergleicht, haben wir nicht gefunden. Ein lokales Modell reicht für viele Apps, wenn es der 27B-Klasse oder darüber angehört und mit 64K bis 128K Token Kontext läuft; ob es für Ihre reicht, zeigt ein Test mit Ihren eigenen Prompts an einem Nachmittag.

Dieser Artikel richtet sich an die Person, die vor dem Hardwarekauf entscheidet: die Leitung eines Studios oder einer Agentur, einen Product Owner, eine IT-Leitung, die App-Bau ohne Weitergabe von Code und Daten an ein Cloud-Werkzeug möchte. Die Werkzeuge selbst vergleicht unser Leitfaden zu selbst gehosteten Lovable-Alternativen, die Hardware-Pakete unser Leitfaden zur Vibe-Coding-Workstation. Für geschäftliche Antworten statt Code behandelt unser Vergleich lokales LLM gegen ChatGPT die Qualitätsfrage.

Wichtig ist die Frage wegen der Daten, die das Haus verlassen. Ein Cloud-Modell verarbeitet jeden Prompt samt den Dateien, die das Werkzeug mitschickt, auf der Infrastruktur des Anbieters; die Dokumentation von Lovable etwa führt EU-Inferenz für Modellanfragen unter ihren Governance-Funktionen. Mit einem lokalen Modell, das Ollama auf Ihrer Workstation bereitstellt, bleiben Prompts, Dateien und Antworten auf diesem Rechner, sofern die Cloud-Modelle von Ollama mit OLLAMA_NO_CLOUD=1 abgeschaltet sind, wie seine FAQ beschreibt; offen ist dann nur noch die Qualität.

Die veröffentlichten Werte nebeneinander

Zwei Modellkarten von Qwen vergleichen seine offenen Modelle mit einem Claude-Modell. Die Karte von Qwen3.8-27B vom August 2026 nutzt Claude Opus 4.6 in der höchsten Einstellung.

Modellkarte von Qwen3.8-27B auf Hugging Face, gelesen am 30. Oktober 2026. SWE-bench Pro: Opus 4.6 Max „uses the officially reported score“; die übrigen Modelle liefen im Claude-Code-Harness bei Temperatur 1,0, top_p 0,95 und 256K Kontext auf einem bereinigten Aufgabensatz.

Die Karte von Qwen3.6-27B vom April 2026 vergleicht mit Claude 4.5 Opus und ergänzt QwenWebBench, Qwens internen Benchmark für Frontend-Generierung, der dem, was ein App-Builder tut, am nächsten kommt.

Modellkarte von Qwen3.6-27B auf Hugging Face, gelesen am 30. Oktober 2026. SWE-bench mit Qwens internem Agenten-Gerüst mit Bash- und Dateibearbeitungs-Tools und 200K Kontext; Terminal-Bench 2.0 im Harness Harbor/Terminus-2, gemittelt über fünf Läufe; QwenWebBench bewertet von einem multimodalen Juror auf einer Elo-Skala.

Die Benchmarks messen unterschiedliche Arbeit. SWE-bench nutzt nach eigener Website „real GitHub issues from 12 Python repositories“ und meldet den Anteil gelöster Aufgaben; Verified ist „a human-filtered subset“ davon. Terminal Bench lässt Agenten Aufgaben in einer Terminal-Umgebung lösen, in Qwens Läufen vom April mit drei Stunden Zeitlimit. QwenWebBench rendert die erzeugten Frontends und lässt sie von einem multimodalen Modell bewerten, auf Englisch und Chinesisch; es ist ein interner Benchmark von Qwen. Die Tabellen zeigen auch, dass der Aufbau zählt: In Qwens eigenem Lauf vom April erreicht Claude 4.5 Opus im SWE-bench Pro 57,1, während der offiziell gemeldete Wert, den Qwen im August für das neuere Opus 4.6 Max zitiert, bei 53,4 liegt.

Die Vergleichsmodelle sind nicht mehr Anthropics neueste. Seine Modellübersicht, gelesen am 30. Oktober 2026, führt Claude Opus 5.5, Claude Sonnet 5.5, Claude Haiku 5.5 und Claude Fable 5.1 als aktuelle Modelle und empfiehlt, „start with Claude Opus 5.5 for most workloads“. Eine veröffentlichte Tabelle, die diese Modelle und Qwen3.8-27B im selben Benchmark mit demselben Harness laufen lässt, haben wir nicht gefunden.

Ein offenes Coding-Modell der 1T-Klasse liefert einen zweiten Bezugspunkt. Moonshots Karte zu Kimi K2.7-Code, einem Modell mit 1T Parametern und 32B aktiven je Token, vergleicht es mit Claude Opus 4.8 in Claude Code und GPT-5.5 in Codex, beide in der Einstellung xhigh. Im Kimi Code Bench v2, Moonshots internem Benchmark für Coding-Agenten mit Aufgaben aus Backend, Infrastruktur, Sicherheit und Frontend, erreicht Kimi K2.7-Code 62,0, Claude Opus 4.8 67,4 und GPT-5.5 69,0; im Program Bench, bei dem Agenten ein Programm aus seiner kompilierten Binärdatei und der Dokumentation nachbauen, 53,6, 63,8 und 69,1. In diesen beiden Benchmarks der eigenen Tabelle seines Herstellers liegt das offene Modell, das einen Server mit acht GPUs braucht, hinter beiden Cloud-Modellen.

Woran lokale Aufbauten zuerst scheitern

Die meisten Fehler, die die Dokumentation der Werkzeuge selbst beschreibt, gehen auf die Konfiguration zurück, und für jeden gibt es eine bekannte Abhilfe.

• Zu kurzer Kontext. Ollama verlangt in seiner Ankündigung vom 23. Januar 2026 für Coding-Tools „at least 64000 tokens“. Der OpenHands-Leitfaden warnt, dass 4.096 Token für seinen Systemprompt zu klein sind und der Agent damit nicht richtig arbeitet; Ollamas eigene Vorgabe liegt nur unter 24 GiB GPU-Speicher bei 4K, darüber bei 32K oder 256K, setzen Sie den Kontext deshalb ausdrücklich.
• Keine Tool-Aufrufe. Der OpenHands-Leitfaden hält fest: Verhält sich der Agent wie ein einfacher Chatbot, verweigert er Tools oder Dateien oder scheitern seine Tool-Aufrufe ständig, kann das Modell die Ursache sein; manche lokalen Modelle tun sich auch mit großem Kontextfenster schwer mit zuverlässigen Tool-Aufrufen.
• Kleine Modelle. Dyads Leitfaden vom 4. Februar 2026 warnt, „Smaller models (under 7B parameters) often struggle to follow structured output formats“; auf solche Formate sind App-Builder beim Schreiben von Dateien angewiesen.
• Sampling-Einstellungen. Qwens Karten nennen eigene Werte für den Denkmodus: Temperatur 1,0, top_p 0,95 und top_k 20 für allgemeine Aufgaben und in der Karte von Qwen3.6 Temperatur 0,6 für präzises Coding wie Webentwicklung. Ein Werkzeug, das andere Werte schickt, bekommt andere Ergebnisse.
• Denkzeit. Qwen3.8-27B denkt standardmäßig mit der höchsten Stufe; die Modellkarte nennt die Stufen medium und low für schnellere Antworten.

Die Quantisierung zählt nach NVIDIAs eigenem Wert weniger als diese Punkte: Die Karte zur NVFP4-Version von Qwen3.8-27B nennt 74,02 im Terminal-Bench gegenüber 75,56 für BF16. Der Wert gilt für NVIDIAs Format; für die 4-Bit-Dateien, die Ollama nutzt, haben wir keinen vergleichbaren veröffentlichten Wert gefunden.

Sie können die Workstation allein bestellen, die Einrichtung von Ollama, Qwen3.8-27B und Dyad oder OpenHands allein, mit der Kontextlänge und den Sampling-Werten von oben, oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Qualität je Speicherstufe

Mehr Speicher bringt ein größeres oder genaueres Modell und mehr Sitzungen, also gleichzeitig gehaltene Agenten-Gespräche. Die Tabelle folgt unserer Regel für Nutzer je Karte, 90 Prozent des vom Treiber gemeldeten Speichers abzüglich 3 GiB je Karte, wie unser Leitfaden Wie viele Nutzer schafft eine RTX PRO 6000? erklärt, mit Ollamas Standard-Cache in 16 Bit.

Unsere Schätzungen nach der Regel für Nutzer je Karte, keine Messungen; Gewichte aus Ollamas Bibliothek und den Dateilisten auf Hugging Face, gelesen am 30. Oktober 2026; Kimi K2.7-Code aus unserem Leitfaden zu acht Karten (Decode Context Parallelism, nach unserer Schätzung eine Obergrenze). Die RTX PRO 6000 Workstation Edition hat dieselben 96 GB wie die Max-Q und ergibt dieselben Werte.

Ab der ersten Stufe lohnt sich ein lokales Modell für Agenten. Auf einer 24-GB-Karte lässt unsere Regel 18,5 GiB, zu wenig für eine Sitzung von 64K neben Qwen3.8-27B in 4 Bit; gpt-oss-20b, das Ollama für Coding-Tools nennt, passt mit drei solchen Sitzungen, aber keine der Herstellertabellen, die wir geöffnet haben, vergleicht es mit Claude. Auf der zweiten Stufe läuft dasselbe 27B-Modell in 8 Bit mit Platz für mehrere Personen.

Die dritte Stufe wechselt die Modellklasse, und eine größere Parameterzahl bedeutet für sich noch keine höheren Werte. Qwen3-Coder-Next, ein Mixture-of-Experts-Modell (MoE) mit 80B Parametern und 3B aktiven, sowie gpt-oss-120b, beide unter Apache 2.0, sind älter als Qwen3.8-27B, und eine Tabelle, die sie damit vergleicht, haben wir nicht gefunden. Eine Ausnahme ist Qwen3.8-Flash-Next, im August 2026 mit 125B Parametern und 6B aktiven veröffentlicht: Qwens eigene Tabelle sieht es im SWE-bench Pro mit 62,5 vor Qwen3.8-27B mit 61,7 und Claude Opus 4.6 (Max) mit 53,4, und NVIDIAs NVFP4-Version passt nach unserer Regel auf zwei 96-GB-Karten, wenn die 51B große N-Gramm-Tabelle im Arbeitsspeicher des Hosts liegt, wie unser Leitfaden zu Qwen3.8-Flash-Next erklärt. NVIDIA hat diese Version nur auf B200 und B300 getestet, und ihre Qwen Community License 1.0 verlangt von Unternehmen, die ein Geschäft mit Model as a Service oder einem AI Work Assistant betreiben, eine eigene Lizenz, ausgenommen die interne Nutzung. Sicher bringt die 96-GB-Karte Platz: Qwen3.8-27B in 16 Bit mit drei Sitzungen von 128K, Qwen3-Coder-Next in FP8 mit fünf von 64K oder beide Modelle nebeneinander auf zwei Karten. Die vierte Stufe ist ein Server: Kimi K2.7-Code umfasst in INT4 595,2 GB und braucht acht RTX PRO 6000 Server Edition, wie unser Leitfaden zu Kimi K2.7-Code auf acht Karten der Server Edition zeigt. Seine Modified-MIT-Lizenz verlangt von kommerziellen Produkten oder Diensten mit „more than 100 million monthly active users, or more than 20 million US dollars (or equivalent in other currencies) in monthly revenue“, „Kimi K2.7 Code“ gut sichtbar in der Benutzeroberfläche anzuzeigen. Für 20 bis 100 Entwickler ist der Server für Coding-Agenten der Leitfaden zur Auslegung.

Nennen Sie uns, wie viele Personen Apps bauen und welche Werkzeuge sie nutzen, und unser Team schlägt die Stufe vor, die zu Ihrem Budget passt.

Tempo gegen Qualität

Ein schnelles Modell erlaubt mehr Korrekturrunden pro Stunde, und beim Vibe Coding sind die Runden die eigentliche Arbeit. Das MoE-Modell 35B-A3B rechnet je Token rund 3B seiner 35B Parameter und antwortet daher nach unserer Rechnung um ein Mehrfaches schneller als ein dichtes 27B-Modell, das für jedes Token alle Gewichte liest.

Bei den Werten liegt das schnellere MoE-Modell niedriger: 73,4 gegenüber 77,2 im SWE-bench Verified und 1.397 gegenüber 1.487 im QwenWebBench in Qwens Tabelle. Für eine Änderung an Layout, Farbe oder Formularfeld hält Sie das schnelle Modell im Arbeitsfluss; für eine Funktion über mehrere Dateien oder einen Fehler, der Nachdenken braucht, ist das dichte 27B-Modell die bessere Wahl. Das Denken vervielfacht die Token je Antwort, deshalb ist die Einstellung reasoning_effort von Qwen3.8-27B zugleich ein Tempo-Regler. Unser Artikel zum Speculative Decoding erklärt, wie Multi-Token-Prediction und Entwurfsmodelle das Tempo für eine Person erhöhen.

Ein Test an einem Nachmittag mit Ihrem eigenen App-Prompt

Veröffentlichte Werte geben eine Spanne; Ihre eigenen Prompts entscheiden. Der folgende Test dauert einen Nachmittag an einer Workstation.

1. Wählen Sie drei echte Aufgaben: eine kleine neue App aus einer Beschreibung (etwa ein Formular, eine Liste und ein Export), eine Änderung an einem bestehenden Projekt (ein neues Feld und ein Filter) und einen Fehler aus Ihrem Backlog. Nutzen Sie nur Daten, die Ihre Richtlinie außerhalb des Unternehmens erlaubt, wenn Sie die Aufgaben auch in einem Cloud-Werkzeug laufen lassen.
2. Richten Sie Ollama 0.35.0 oder neuer mit einem Kontext von 64K bis 128K ein, dazu Qwen3.8-27B und Qwen3.6-35B-A3B, die von Qwen empfohlenen Sampling-Werte und den Builder, den Sie nutzen wollen: Dyad oder OpenHands, für den Test auch bolt.diy, denn die WebContainers-Lizenz von StackBlitz nimmt Prototypen aus, den Arbeitsalltag im Unternehmen aber nicht.
3. Lassen Sie jede Aufgabe mit jedem Modell laufen und notieren Sie, ob die App ohne Handarbeit startet, wie viele Korrekturrunden es bis zum Funktionieren braucht, die Zeit bis zu einer funktionierenden Vorschau, ob die Projektdateien sich bauen lassen und wie viele Tool-Aufrufe scheiterten.
4. Lassen Sie dieselben Aufgaben im Cloud-Werkzeug laufen, das Ihr Team kennt, soweit Ihre Richtlinie das erlaubt, und vergleichen Sie dieselben Notizen.
5. Löst das 27B-Modell die meisten Aufgaben mit wenigen Korrekturen, deckt eine Workstation Ihre Arbeit ab. Aufgaben, die nur das Cloud-Werkzeug löst, zeigen, wo die Lücke für Sie liegt.

Bewahren Sie die drei Aufgaben und die Notizen auf: Sie werden zum Testsatz für das nächste Modell, wie unser Leitfaden zur LLM-Evaluierung vor Modell-Upgrades beschreibt. Terminal-Agenten wie Claude Code mit lokalem Modell behandelt unser Leitfaden Claude Code mit lokalem Modell. Was vor dem Livegang einer so gebauten App zu prüfen ist, zeigt unsere Sicherheits-Checkliste für Vibe-Coding-Apps.

Für genau diesen Test senden Sie uns, welche Art von Apps Sie bauen, und wir schlagen die Konfiguration für Ihr Team und Ihr Budget vor.

FAQ