Las recomendaciones sobre IA local en la comunidad de julio de 2026 apuntan consistentemente a la misma pila: Ollama para la gestión de modelos, un endpoint compatible con OpenAI en localhost:11434 y una interfaz autoalojada para el equipo. Lo que siguió cambiando durante la primera mitad del año fue el modelo en el otro extremo de esa cadena. Desde julio de 2026, la mayoría de las guías de despliegue de la comunidad han convergido en una recomendación clara para cargas de trabajo de uso general: Qwen3.6-27B.
El modelo fue publicado por el equipo Qwen de Alibaba el 22 de abril de 2026 bajo la licencia Apache 2.0. Funciona con aproximadamente 17 GB de VRAM en cuantización Q4KM y ofrece una ventana de contexto de 256 000 tokens, suficiente para procesar 400-500 páginas A4 estándar en una sola llamada de inferencia. Desde el 10 de julio de 2026, hay disponibles variantes cuantizadas NVFP4 actualizadas, según documentan los profesionales en foros de la comunidad. El modelo funciona en hardware que muchas PYMEs europeas ya poseen o pueden adquirir a coste razonable.
Qué es Qwen3.6
Qwen3.6 es la sexta versión principal de la familia de modelos abiertos Qwen3 del grupo de investigación de Alibaba. El lanzamiento incluye dos variantes con distintas características arquitectónicas:
- Qwen3.6-27B: un modelo denso (no MoE) de 27 000 millones de parámetros. Todos los parámetros se activan en cada token, lo que hace que la cuantización sea predecible y el despliegue sencillo. Ventana de contexto: 262 144 tokens (256K). RAM en Q4KM: aproximadamente 17 GB.
- Qwen3.6-35B-A3B: un modelo disperso de Mezcla de Expertos. Parámetros totales: 35 000 millones. Parámetros activos por paso de inferencia: 3 000 millones. Ventana de contexto: 262 144 tokens. La arquitectura MoE proporciona mayor capacidad efectiva con menor coste activo, útil cuando la capacidad de almacenamiento supera el margen de VRAM disponible.
Ambas variantes se publican bajo Apache 2.0, confirmado en el repositorio oficial de Qwen3.6. Ambas soportan todos los backends de inferencia principales: SGLang, vLLM, llama.cpp y MLX, desde Mac mini hasta servidores GPU Linux, dentro de una misma familia de modelos.
Según las comparativas comunitarias de mediados de 2026, Qwen3.6-27B supera al modelo de generación anterior Qwen3.5-397B-A17B en benchmarks de programación agéntica, un modelo de 27 000 millones de parámetros que aventaja a un predecesor de 397 000 millones en las tareas que más importan en la práctica.
La ventana de 256K tokens merece atención especial. Significa que el modelo procesa documentos de unas 500 páginas en una sola llamada, sin fragmentación ni recuperación aumentada para la mayoría de documentos empresariales estándar. Contratos completos, hilos de soporte largos, bases de código completas y SOPs de múltiples capítulos caben de forma nativa en el contexto.
Niveles de hardware
Las guías de despliegue de la comunidad documentan los siguientes niveles prácticos para Qwen3.6-27B en Q4KM:
Apple Silicon, 16-24 GB de memoria unificada: El MacBook Pro M3 Pro (18 GB) está en el límite, funcional para tareas monousuario con baja concurrencia. El MacBook Pro M3 Max (36 GB), Mac mini M4 Pro (24 GB) y MacBook Pro M4 Pro (24 GB) lo ejecutan sin dificultades. El rendimiento reportado por la comunidad en hardware M3 Max / M4 Pro con el backend MLX se sitúa entre 20 y 35 tokens por segundo.
Apple Silicon, 48 GB o más: MacBook Pro M4 Max (48 GB), Mac Studio M4 Max y Mac Studio M3/M4 Ultra (96-512 GB) ofrecen margen para cuantización Q8, la variante 35B-A3B, múltiples usuarios simultáneos o documentos de contexto muy largo con alta demanda de caché KV.
GPU Linux/Windows: Una NVIDIA RTX 4090 o RTX 3090 individuales (ambas con 24 GB de VRAM) son suficientes para Q4KM. Para Q80, se recomiendan al menos 32 GB de VRAM, alcanzables con configuraciones RTX 3090 duales o tarjetas profesionales de estación de trabajo. Los profesionales reportan 15-25 tokens por segundo en una RTX 3090 vía vLLM en Q4K_M.
Para la variante MoE 35B-A3B, todos los pesos deben cargarse en RAM aunque solo 3 000 millones de parámetros estén activos por paso. Para la mayoría de primeros despliegues en PYMEs, el modelo denso de 27B es el punto de partida más sencillo.
Puesta en marcha con Ollama
El camino más directo hacia el modelo en producción es Ollama:
ollama run qwen3.6:27bEste comando descarga el modelo, selecciona una cuantización adecuada para el hardware disponible y arranca un API compatible con OpenAI en http://localhost:11434. Sin clave de API, sin cuenta externa, sin que los datos salgan de la infraestructura propia.
Para la variante MoE:
ollama run qwen3.6:35b-a3bEn Apple Silicon, el backend MLX ofrece mejor rendimiento que el runtime GGUF de Ollama en muchas configuraciones, según documentan los profesionales. Los pesos de Qwen3.6 son compatibles con mlx-lm, lo que permite cuantización y servicio local sin el paso de conversión GGUF.
Una vez activo el endpoint, se integra con cualquier cliente compatible con OpenAI: Open WebUI como interfaz de chat para el equipo, Continue.dev o Cursor para asistencia en el IDE y el kAIra Toolkit para flujos de automatización documental sin desarrollo personalizado.
Casos de uso para PYMEs
La combinación de ventana de 256K tokens y calidad de uso general hace que Qwen3.6-27B sea especialmente adecuado para los flujos de trabajo con documentación intensiva que los modelos locales anteriores solo podían gestionar con fragmentación:
Revisión de contratos y documentos. Los departamentos jurídico, de compras y de recursos humanos pueden pegar contratos completos, 30, 60 o 100 páginas, y solicitar resúmenes de cláusulas, alertas de riesgo o comparaciones con una plantilla estándar. El documento no abandona en ningún momento la infraestructura propia.
Comunicación con clientes y gestión de tickets. Los hilos completos de correo electrónico, los historiales de tickets de soporte o las transcripciones de chat caben en la ventana de contexto. El modelo puede generar borradores de respuesta profesionales, proponer resoluciones o clasificar el sentimiento, con todos los datos del cliente en las propias instalaciones.
Base de conocimiento interna. Combinado con un modelo de embeddings local (por ejemplo, nomic-embed-text vía Ollama) y un almacén vectorial, se construye un pipeline RAG para documentación corporativa: SOPs, manuales de producto y catálogos de proveedores quedan consultables en lenguaje natural, sin indexación externa. Consulta nuestra página sobre soberanía de datos para el marco de cumplimiento normativo.
Revisión de código y herramientas para desarrolladores. La familia Qwen3.6 fue diseñada con la programación agéntica en mente. El modelo denso de 27B gestiona bien la revisión de código, las sugerencias de refactorización y la generación de pruebas unitarias. Para tareas agénticas autónomas con múltiples ficheros, la variante 35B-A3B o un modelo de codificación especializado es preferible. Para una visión general de la pila local, consulta nuestra página de IA local.
Kit Digital. Para PYMEs españolas con expediente de digitalización activo o en tramitación, la implantación de IA local puede encuadrarse en las categorías de "Gestión de procesos" o "Inteligencia Artificial y Analítica" dentro del programa Kit Digital, reduciendo la inversión neta inicial. Consulta los requisitos actualizados con tu agente digitalizador para confirmar la elegibilidad de tu caso concreto.
Un primer paso práctico es definir un único flujo de trabajo de alto valor, borradores de respuesta a clientes, revisión de contratos o búsqueda en SOPs, y ejecutar un piloto de 30 días antes de una implantación más amplia. Nuestro enfoque de proyecto piloto estructura ese proceso con hitos claros y resultados medibles.
Cumplimiento del RGPD
Cuando Qwen3.6-27B se ejecuta en la infraestructura propia, los textos de los prompts, el contenido de los documentos y las respuestas generadas no llegan en ningún momento a un tercero encargado del tratamiento. Esto elimina la necesidad de un contrato de encargo de tratamiento en virtud del artículo 28 del RGPD, porque la relación de tratamiento externo sencillamente no existe.
Las APIs de IA en la nube exigen un DPA, la verificación contractual de las medidas técnicas y organizativas del proveedor y, en algunos casos, una evaluación de impacto de la transferencia de datos cuando estos salen de la UE. Con un modelo autoalojado, toda la responsabilidad de protección de datos recae dentro del propio gobierno de datos corporativo, sin dependencia externa y sin riesgo asociado a cambios de proveedor.
Las obligaciones de transparencia del artículo 50 de la Ley de IA de la UE para el contenido generado por IA siguen siendo responsabilidad del operador independientemente del origen del modelo. Según nuestra interpretación de la normativa vigente, el despliegue local no elimina el requisito de divulgación, pero sí otorga control total sobre cómo y cuándo se informa a los usuarios, sin que las condiciones generales del proveedor limiten la implementación propia.
Para empresas en sectores regulados, sanidad, asesoría legal, servicios financieros, la cadena de auditoría ininterrumpida desde el prompt hasta la respuesta, mantenida íntegramente en la propia infraestructura, suele ser el factor determinante.
¿Quieres mapear Qwen3.6 a tu caso de uso concreto? Contacta con nuestro equipo para una valoración inicial sin compromiso.