Qwen3.8-27B ist seit Freitag draußen. 27B, Apache 2.0, schlägt laut eigenen Zahlen Claude Opus 4.6 Max auf mehreren Benchmarks. Die Timeline ist entsprechend voll. Ich habe es lokal gegen seinen direkten Vorgänger gemessen. Nicht gegen eine Rangliste — gegen Qwen3.6-27B, gleiche Architektur, gleiche Quantisierung, gleiche 15 GB. Ergebnis: Bei einzelnen Prompts kein Unterschied. Bei Werkzeugarbeit fünfeinhalb Punkte. Der Sprung ist real — er liegt nur woanders, als die meisten ihn suchen. ━━━━━━━━━━━━━━━━━━━━ ① Der Sprung steht schon in Qwens eigener Tabelle — man muss sie nur sortieren Wissen, single-shot (GPQA Diamond) +1,4 Code, single-shot (LiveCodeBench v6) +6,4 Agentisch (SWE-bench Pro) +8,2 Agentisch (Terminal Bench) +9,6 Computer Use (AndroidWorld) +11,6 Computer Use (WebArena) +16,0 Computer Use (OSWorld) +20,4 Das ist kein Rauschen, das ist ein Gradient. Je mehr Werkzeuge, Schritte und Umgebung eine Aufgabe hat, desto größer der Vorsprung. Je näher an "ein Prompt, eine Antwort", desto kleiner. Qwen3.8 ist ein Agenten-Upgrade. Das ist eine gute Nachricht — nur eben eine andere als "besseres Modell". ② Ich habe an beiden Enden des Gradienten gemessen — und er stimmt Unten: reines Single-Shot. Sechs Aufgaben, ein Prompt, keine Tools, deutsch. Python-Code und Geschäftstexte aus dem KMU-Alltag. Qwen3.8: 76,5 von 105 Qwen3.6: 77,0 Differenz: −0,5 Oben: agentisch. 72 Routing-Entscheidungen mit fünf Werkzeugen, das Modell muss ermitteln bevor es entscheidet — mehrere Schritte, echte Fallen, Ground Truth aus meinem eigenen System. Qwen3.8: 98,6 % Qwen3.6: 93,1 % Differenz: +5,5 Dasselbe Modellpaar, dieselbe Maschine, derselbe Tag. Bei Single-Shot nicht unterscheidbar, bei Werkzeugarbeit fünfeinhalb Punkte auseinander. Der Unterschied ist sogar im Verhalten sichtbar: 3.8 macht 3,49 Werkzeugaufrufe pro Entscheidung, 3.6 nur 2,24. Das neue Modell prüft mehr, bevor es sich festlegt. Genau das ist die Fähigkeit, die Qwens agentische Benchmarks messen.

🧪 Qwen3.6-35B-A3B-4bit auf meinem M2 Max (96 GB), drei Runs auf meinem 105-Punkte-Benchmark. Das neue Modell spielt in der Top-Liga, aber mit einer klaren Schwachstelle. ───────────────────────────── 📊 DIE ZAHLEN ───────────────────────────── Drei unabhängige Runs, 6 Aufgaben, Temperatur 0,1. 🟣 Run 1: 98/105 (93,3%) 🟢 Run 2: 99/105 (94,3%) 🔵 Run 3: 101/105 (96,2%) Mittelwert: 99,3/105, also 94,6 %. Damit liegt das Modell gleichauf mit gpt-oss-120b und gemma4:31b Dense, bei nur 3B aktiven Parametern und rund 20 GB RAM. Konstant 83 bis 87 tok/s. ───────────────────────────── ⚡ DIE CODE-QUALITÄT IST BEMERKENSWERT ───────────────────────────── Drei Python-Aufgaben: Sortierfunktion, CSV-Bugfix, HTTP-Client mit Retry-Logik. Über alle drei Runs: 🟣 A1 Sortieren: 15, 15, 15 🟢 A2 CSV-Debugging: 15, 14, 15 🔵 A3 HTTP-Client: 15, 15, 15 Das Interessante ist nicht die Punktzahl, sondern die Stilvarianz. Gleicher Prompt, drei völlig unterschiedliche produktionsreife Lösungen. Beim HTTP-Client: Run 1 zentralisiert mit einem _execute_request-Helper. Run 2 liefert Context Manager plus Retry-After-Header-Parsing. Run 3 trennt sauber in _should_retry und _wait_before_retry. Alle drei brauchbar. Das ist Stilvarianz auf hohem Niveau, nicht Qualitätsvarianz. ───────────────────────────── ⚠️ DIE SCHWACHSTELLE ───────────────────────────── Juristische Texte. In jedem der drei Runs hat das Modell bei revDSG-Argumentation Artikelnummern halluziniert. Run 1: FDPB statt EDÖB, Art. 31 falsch zugeordnet Run 2: "Unterlageverarbeitungsverträge" statt Auftragsverarbeitungsverträge Run 3: Art. 5 und Art. 6 revDSG falsch zitiert Die Konzepte sitzen, FISA 702, EO 12333, Angemessenheit. Aber die Paragraphen-Zuordnung wackelt. Für juristisch sensible Outputs ohne RAG-Layer nicht einsetzbar. ───────────────────────────── 🎯 FAZIT FÜR DEN KMU-EINSATZ ───────────────────────────── Grün: Python-Automatisierung, Kundenkommunikation, Erklärtexte für nicht-technische Stakeholder. Gelb: Business-Texte brauchen Gegenlesen, Sprache schwankt (Genus-Fehler, gelegentlich schiefe Formulierungen).

Heute war der Tag, an dem es endlich klick gemacht hat. Nicht weil ich eine neue Technologie entdeckt habe. Sondern weil ich zum ersten Mal gespürt habe, wie sich ein vollständig lokales AI-Coding-Setup anfühlt, wenn es wirklich funktioniert. Morgens: .NET-Migration mit lokalem Sprachmodell. Backend, C#, BouncyCastle, iText7, Security CVEs. Das Modell hat gebaut, geprüft, korrigiert. Kein Cloud-API, keine Daten die das Haus verlassen. Mittags: Cline in VSCodium eingerichtet. Temperatur korrigiert, CLAUDE.md hinterlegt, Vue-Frontend analysiert. Das Modell hat den Repo-Kontext gelesen und Fragen gestellt bevor es gehandelt hat. Abends: n8n MCP Server gebaut und in Cline eingebunden. Cline kann jetzt gleichzeitig meinen Code lesen und meine n8n Workflows lesen. Lokales Modell, lokale Automatisierung, lokale Daten. Der Moment wo es klick macht ist nicht spektakulär. Es ist der Moment wo du merkst, dass du dem Tool vertraust. Weil du weißt wo die Daten sind. Weil du den Server-Log siehst. Weil du die Temperatur selbst eingestellt hast. Das ist kein Produkt das ich empfehle. Das ist ein Setup das ich selbst täglich nutze, für echte Kundenprojekte, mit echten Daten, unter DSGVO. Wer das auch aufbauen möchte: es braucht einen guten Nachmittag, einen M2 Mac mit genug RAM, und die Bereitschaft ein paar Build-Fehler zu debuggen. Es lohnt sich. Welchen Teil davon würdet ihr euch genauer anschauen?