# Lokale Coding-Modelle für Mac im Vergleich

> Qwen Coder, Devstral und kleinere Coding-LLMs auf Mac mini M6, M5 Pro und Mac Studio M5 nach RAM, Tempo und Aufgabe vergleichen.

For AI agents: curated site map at [https://www.devolute.org/llms.txt](https://www.devolute.org/llms.txt). Canonical HTML (preferred for search engines): [https://www.devolute.org/de/themen/open-source/lokale-coding-modelle-mac-vergleich](https://www.devolute.org/de/themen/open-source/lokale-coding-modelle-mac-vergleich).

- Language: de
- Published: 2026-11-15
- Markdown URL: https://www.devolute.org/de/themen/open-source/lokale-coding-modelle-mac-vergleich.md

## Welches lokale Coding-Modell passt auf welchen Mac?

Modellqualität, Kontext und Agenten-Workflow zählen mehr als eine einzelne Benchmarkzahl.

Für lokale Coding-KI auf Apple Silicon sind Qwen Coder und Devstral die wichtigsten Ausgangspunkte. Die beste Wahl hängt davon ab, ob Sie Autovervollständigung, Repository-Fragen oder einen Agenten mit Tests und Werkzeugen benötigen.

## Empfehlung nach Arbeitsspeicher

| Mac-Speicher | Modellkandidaten | Geeignete Aufgabe |
|---:|---|---|
| 16 GB | kleiner Qwen-Coder oder 7B-FIM-Modell | Autovervollständigung, kleine Funktionen |
| 24 GB | Devstral Small 2, quantisiert | Agentenläufe mit begrenztem Kontext |
| 32–64 GB | Qwen3-Coder 30B-A3B, Devstral Small 2 | Repository-Arbeit, Tests, Refactoring |
| 96 GB und mehr | Qwen3-Coder Next und größere Varianten | größere Kontexte und anspruchsvollere Agenten |

**Qwen3-Coder 30B-A3B** nutzt eine Mixture-of-Experts-Architektur und aktiviert nur einen Teil der Gewichte pro Token. Das kann auf einem Mac deutlich schneller sein als ein dichtes Modell ähnlicher Gesamtgröße. **Devstral Small** ist auf agentische Softwareentwicklung ausgerichtet, benötigt als dichtes Modell aber mehr Bandbreite pro erzeugtem Token.

Für Inline-Autovervollständigung ist Fill-in-the-Middle wichtig. Für einen Agenten zählen Werkzeugaufrufe, Patchqualität und bestandene Tests. Ein Modell kann in einer Chatfrage gut aussehen und im echten Repository scheitern.

## So vergleichen wir Coding-Modelle

Wir geben jedem Kandidaten dieselben Tickets, Werkzeuge und Zeitbudgets. Gemessen werden bestandene Tests, akzeptierte Diffs, unzulässige Dateizugriffe, Laufzeit und menschlicher Review-Aufwand. SWE-bench-Werte verschiedener Anbieter sind nur bedingt vergleichbar, wenn Agentengerüst und Einstellungen abweichen.

Lesen Sie auch [lokale KI zum Programmieren auf dem Mac](/de/themen/open-source/lokale-ki-programmieren-mac) und den [M6-vs.-M5-Vergleich](/de/themen/open-source/m6-vs-m5-lokale-ki).
