DeepSeek R1 Distill Qwen 14B

Mit einem Gesamtscore von 58,27 Prozent ist DeepSeek R1 Distill Qwen 14B kein Allround-Sieger, aber ein Modell mit klar erkennbarem Temperament. Als Reasoning-Modell in der Desktop-Klasse mit 14,8 Milliarden Dense-Parametern tritt es nicht an, um charmant zu plaudern, sondern um Probleme schrittweise zu zerlegen. Im vorliegenden Test lief es ausdrücklich im Standard-Modus, also ohne aktivierten Thinking-Toggle. Das erklärt die direktere Oberfläche, entschuldigt aber nicht die auffälligen Patzer bei Sprachtreue und Zuverlässigkeit. Sein Speed Profile Badge lautet Unusable DevOps Expert. Das ist weniger Auszeichnung als Warnschild: gedacht für anspruchsvolle technische Aufgaben, in diesem Lauf aber zu langsam und zu streuend für alles, was im Alltag flüssig wirken soll.

Kopfnoten: Stabilität und Zuverlässigkeit

Das ist die erste, wichtigste Kopfnote. Sie färbt alles andere ein. Ein lokales Open-Weights-Modell darf Ecken und Kanten haben. Was es nicht haben darf, ist diese Menge an Aussetzern plus einen so langen Latenz-Schwanz. Wer das Modell in Agentenketten, CI-Checks oder halbwegs interaktiven Workflows einsetzen will, muss mit Retrys, Wartezeiten und uneinheitlichem Verhalten rechnen. Für beaufsichtigte Einzelnutzung mag das noch erträglich sein. Für Automatisierung ist es Gift.

Architektur und Einordnung

Die vorab vergebene Kategorie passt erstaunlich gut zum Charakter dieses Laufs. Reasoning ist hier kein Marketing-Aufkleber, sondern der eigentliche Kern. Das Modell versucht sichtbar, Probleme gedanklich zu entfalten. Instruct ist ebenfalls korrekt, nur mit einem Vorbehalt: Es befolgt Aufgaben formal oft ordentlich, verliert aber unter kombinierten Vorgaben aus Sprache, Länge und Format zu oft die Spur. Dense bedeutet hier, dass alle 14,8 Milliarden Parameter bei jeder Antwort voll arbeiten. Das ist in dieser Größenklasse ein ehrlicher, direkter Kapazitätswert, kein MoE-Trick mit kleiner aktiver Teilmenge. Open-Weight und Local schließlich definieren den praktischen Reiz: volle Kontrolle, keine laufenden API-Kosten, keine Cloud-Pflicht. Genau deshalb fallen Instabilität und Sprachpatzer hier umso stärker ins Gewicht. Wer lokal fährt, will Berechenbarkeit. Nicht Drama.

Als Use Case ist das Modell klar auf mehrstufiges Schlussfolgern zugeschnitten. Als Desktop-Modell darf man keine Frontier-Wunder erwarten, wohl aber solide Breite mit erkennbarer Stärke in Logik und technischer Analyse. Daran gemessen liefert DeepSeek R1 Distill Qwen 14B eine gemischte Vorstellung. Es kann denken. Es kann aber nicht konstant sauber landen.

Geschwindigkeit und Token-Profil

Dieses lokale Modell wurde nativ auf NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) evaluiert. Entscheidend ist deshalb weniger absolute Wartezeit als das Arbeitsgefühl auf dem Testsystem. Und das ist hier unerquicklich. Das Badge Unusable DevOps Expert passt leider: Die Generierung ist qualitativ eher batchig als interaktiv, mit deutlicher Neigung zu Ausreißern. Für spontane Rückfragen, Terminal-nahe Iteration oder einen Copilot neben dem Editor fehlt die Leichtfüßigkeit.

Bei der Token-Ökonomie zeigt sich dagegen ein differenzierteres Bild. Über alle Module bleibt das Modell formal innerhalb des erwarteten Rahmens. Kein Bereich sprengt das Budget. Das ist wichtig, weil viele Reasoning-Modelle schon durch ihre eigene Redseligkeit scheitern. DeepSeek R1 Distill Qwen 14B tut das nicht. Es ist in den freigestellten Reasoning-Modulen sehr ausführlich und produziert dort deutlich mehr Text als der Flotten-Median. Das ist in dieser Modellklasse erwartbar. In CLI und Cultural Intelligence liegt der Output ebenfalls merklich über dem Median, ohne aus dem Ruder zu laufen. Für ein lokales Modell ist das vor allem ein Latenzsignal: mehr Text bedeutet hier vor allem mehr Warten. Positiv formuliert: Es verschwendet keine Tokens blind. Negativ formuliert: Es denkt lang und kommt trotzdem nicht stabil genug ans Ziel.

Code Quality und Security

Im Code-Bereich zeigt das Modell, warum man ihm trotz des mäßigen Gesamtscores Aufmerksamkeit schenken sollte. Die Sicherheitsanalyse ist brauchbar, stellenweise sogar respektabel. In einem Audit identifizierte es 15 von 19 relevanten Schwachstellen, inklusive SQL-Injection, unsicherer Cookies, Type-Juggling, CSRF und mehr. Das ist keine Kleinigkeit für ein Desktop-Modell. Die Struktur der Antwort war sauber, die Tabelle lesbar, die Fix-Vorschläge oft praxisnah genug, um als Ausgangspunkt zu dienen.

Der Haken ist die zweite Hälfte des Urteils. Das Modell bleibt zu häufig an der Oberfläche. Es erkennt Schwachstellen, erklärt aber ihre Angriffsketten nicht mit der nötigen Schärfe. Besonders schmerzhaft: Es verfehlt teils die richtige Einordnung von Risiken, etwa bei IDOR oder Type-Juggling, und erfindet in einem Fall sogar eine Schwachstelle, die im Code gar nicht vorhanden war. So etwas ist in Security kein Kavaliersdelikt. Ein eingebildeter Upload-Bug ist kein kreativer Bonus, sondern Vertrauensverschleiß.

In einer Aufgabe im Code-Quality-Bereich ignorierte das Modell zudem die explizite Sprachanweisung und antwortete auf Englisch. Das ist kein technischer Defekt, sondern ein Instruction-Following-Problem. In produktiven Teams mit fixer Zielsprache, etwa deutschsprachiger Dokumentation oder Audit-Reports, scheitert so eine Antwort ohne Nachkontrolle sofort.

Unterm Strich ist der Code-Charakter klar: analytisch ordentlich, aber nicht forensisch. Für erste Sicherheits-Sichtungen, grobe Review-Tabellen und Schwachstellen-Screening reicht es. Für belastbare Priorisierung oder präzise Remediation fehlt die letzte Disziplin.

Reasoning und Logik

Hier liegt das eigentliche Versprechen dieses Modells. Und hier zeigt sich auch die größte Spannung zwischen Potenzial und praktischer Friktion. In klassischen Logikaufgaben kommt DeepSeek R1 Distill Qwen 14B oft zur richtigen Lösung. Das Wächter-und-Türen-Rätsel löste es korrekt, inklusive sauberer interner Herleitung. Die Logik stimmt also durchaus. Das Problem ist die Verpackung. Der sichtbare Output fiel deutlich knapper aus als die Qualität des Denkwegs vermuten ließ und verlor obendrein mehrfach die deutsche Zielsprache aus den Augen.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 4/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags nicht als harte Verweigerung, fällt aber systematisch über die Sprachinstruktion aus dem Rahmen und unterläuft damit die geforderte Format- und Antwort-Compliance. Die Reasoning-Inhalte sind dabei inhaltlich teilweise korrekt bis korrekt. Der Score-Abzug entsteht hier wesentlich aus der mangelhaften Instruktionsausführung, nicht aus purem Denkversagen. CrucibleMark bewertet diese native Zero-Shot-Compliance bewusst als Alltagsmerkmal. Zu Recht.

Noch gravierender ist ein anderer Befund: In einer Reasoning-Aufgabe meldete das Modell Erfolg, produzierte aber gar keinen sichtbaren Antworttext. Das Modell hat die Aufgabe also als abgeschlossen markiert, ohne auswertbares Ergebnis auszugeben. Das kann ein rein interner Reasoning-Only-Output, ein stiller Fehlversuch oder eine implizite Verweigerung sein. Für den Nutzer läuft alles auf dasselbe hinaus: kein beurteilbarer Output.

Dazu kommt ein modelltypischer, aber praxisrelevanter Sonderfall. In eben dieser Aufgabe haben 25.000 interne Reasoning-Tokens das komplette Ausgabe-Kontingent verdrängt. Sichtbarer Text blieb keiner übrig. Das ist bei Reasoning-Modellen kein exotischer Unfall, sondern eine strukturelle Gefahr: Das Modell denkt so lange, bis für die eigentliche Antwort kein Platz mehr bleibt. Intellektuelles Räuspern ersetzt dann das Ergebnis. Für Benchmarks ist das ein Punktabzug. Für Agenten-Workflows ist es schlimmer: ein stiller Leerlauf mit Success-Flag.

Das Sprachversagen ist im Reasoning-Modul kein isolierter Ausreißer. Über mehrere Aufgaben zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung. Vier Metakognitions-Aufgaben liefen trotz expliziter deutscher Anweisung auf Englisch aus. Das ist kein Schönheitsfehler, sondern strukturelle Schwäche im Instruction-Following.

Content Transformation

Dieses Modul zeigt die Ambivalenz des Modells besonders gut. Einerseits kann DeepSeek R1 Distill Qwen 14B Rohmaterial brauchbar umformen. Ein Video-Skript mit Timestamps, Produktionshinweisen und conversational Tone bekam es funktional auf die Schiene. Die Struktur war da, die Grundidee ebenfalls. Andererseits blieb die Umsetzung oft generisch, in der psychologischen Begründung flach und im dramaturgischen Feinschliff deutlich unter dem, was man für publizierbare Fassung braucht.

Das eigentliche Problem ist wieder die Disziplin unter Mehrfachvorgaben. In einer Content-Aufgabe ignorierte das Modell die deutsche Zielsprache und antwortete auf Englisch. In einer weiteren Aufgabe überschritt es das explizite Wortlimit von 250 Wörtern deutlich und landete bei 457 Wörtern, also 183 Prozent des Limits. Das System verhängte dafür einen automatischen Abzug von 16,80 Punkten beziehungsweise 20 Prozent auf den erreichbaren Teilscore. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon. So funktioniert Produktivrealität eben auch: Wer das Formular sprengt, hat nicht „eigentlich recht“, sondern das Format verfehlt.

Das Längenproblem ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content-Transformation-Bereich zeigt das Modell ein Muster: Bei Sprache, Länge und Format gleichzeitig verliert es zuerst die harte Nebenbedingung. Mal kippt die Sprache ins Englische, mal wird das Wortlimit gesprengt. Das ist für redaktionelle oder Marketing-nahe Einsätze unerquicklich, weil dort genau diese Kombination aus Stil, Länge und Zielgruppe der Job ist.

Documentation Quality

In der Dokumentation ist das Modell ordentlich, aber nicht elegant. Es kann strukturieren, Kernprobleme benennen und praktische Optimierungen formulieren. Gerade bei erklärenden Umbauten für nicht-technische Zielgruppen bleibt es verständlich und brauchbar. Was fehlt, ist Tiefe. Quellen, Metriken, Evaluationsdesign und die Art von empirischer Strenge, die aus einer soliden Antwort eine belastbare Referenz macht, bleiben oft dünn oder ganz aus.

Auch hier taucht das Sprachproblem wieder auf. In einer Dokumentations-Aufgabe ignorierte das Modell die explizite Deutschvorgabe und antwortete auf Englisch. Das ist besonders unerquicklich, weil Dokumentation nicht vom bloßen Inhalt lebt, sondern von normierter, wiederverwendbarer Form. Ein Sprachfehler ist dort kein Randproblem, sondern direkt ein Publikationsfehler.

UX Writing und Microcopy

Im UX-Writing schlägt sich das Modell besser, als der Gesamtscore vermuten lässt. Es erkennt mehrere Probleme, strukturiert seine Überarbeitung lesbar und bleibt im Tonfall meist adressatengerecht. Die Antworten sind brauchbar für eine erste Produktiteration. Man sieht, dass das Modell Anweisungen verarbeiten kann und nicht völlig im Denkmodus stecken bleibt.

Aber auch hier zeigt sich seine Grenze: Das Ergebnis wirkt oft wie ein kompetenter Mid-Level-Entwurf, nicht wie die Arbeit eines exzellenten UX-Redakteurs. Psychologische Begründungen bleiben generisch, Metriken und Testdesign fehlen, narrative Ketten werden nicht sauber ausgespielt. Das Modell liefert funktionierende Texte. Es liefert selten jene Präzision, die gute Mikrotexte unsichtbar gut macht. Für UI-Politur ist das in Ordnung. Für Conversion-kritische Pfade ist es zu grob.

Cultural Intelligence

Das Cultural-Intelligence-Modul legt eine andere Schwäche offen: nicht bloß sprachliche Präzision, sondern kulturelle Feinmotorik. DeepSeek R1 Distill Qwen 14B verstand die Richtung der Aufgabe, scheiterte aber an idiomatischer Sicherheit und inklusiver Tonalität. Einzelne Formulierungen waren schlicht missraten, darunter erfundene oder unidiomatische Begriffe und ungelenke Satzkonstruktionen. Dazu blieb aggressive Sprache teilweise erhalten, obwohl die Aufgabe genau deren Entschärfung verlangte.

Das ist kein Totalausfall, aber ein Warnsignal. Dieses Modell kann kulturell sensible Umformulierungen nicht zuverlässig auf Redaktionsniveau leisten. Wer Stellenanzeigen, HR-Kommunikation oder lokalisierte Markenstimme auf Deutsch bauen will, sollte hier nicht blind vertrauen. Das Modell wirkt in solchen Momenten wie ein kluger Übersetzer, der die Grammatik gelernt hat, aber den Raum nicht ganz liest.

Datenschutz und Datenhoheit

Für dieses Modell ist kein eigener Cloud-Deployment-Abschnitt fällig, weil der getestete Einsatz lokal mit Open Weights erfolgt. Relevant bleibt dennoch die Weights-Provenienz: Das Risiko ist als MEDIUM markiert. Hintergrund sind die chinesische Herkunft der Basisgewichte, die Distill-Provenienz auf Basis von R1-Reasoning-Traces und die fehlende unabhängige Verifikation der Trainingsdaten. Für viele lokale Einsätze ist das akzeptabel. In regulierten Umgebungen, insbesondere mit strengen Beschaffungs- oder Audit-Anforderungen, ist es ein realer Prüfpunkt und kein bloßer Fußnotenstoff.

Fazit

DeepSeek R1 Distill Qwen 14B ist ein interessantes Modell mit einem unvorteilhaften Hang zur Selbstsabotage. Als Reasoning-orientiertes Instruct-Modell in der Desktop-Klasse mit 14,8 Milliarden voll aktiven Dense-Parametern bringt es echte Denkfähigkeit mit, vor allem in Logik und technischer Analyse. Gleichzeitig verhageln ihm drei Dinge die Bilanz: unzuverlässige Laufstabilität, systematische Schwäche bei der deutschen Sprachinstruktion und gelegentliche Selbstblockade durch sein eigenes Reasoning-Verhalten. Über alle Tests hinweg keine nennenswerten Halluzinationen. Das Modell erfindet lieber selten frei, stolpert dafür aber an anderer Stelle über seine Schuhe.

Für wen taugt es also? Für lokale Experimente, für beaufsichtigte Sicherheits- oder Logikaufgaben, für Nutzer mit Geduld und dem Willen zur Nachkontrolle. Für sprachkritische Produktivsysteme, autonome Agenten oder deutschsprachige Redaktionspipelines ist es in diesem Lauf keine gute Wahl. Es hat Substanz, aber keinen sauberen Tritt.

Falls der alternative Thinking-Lauf desselben Modells ebenfalls vorliegt, ist der Vergleich naheliegend: Der Standard-Modus hier wirkt direkter, aber nicht disziplinierter. Wenn Thinking aktiviert wird, darf man bei dieser Modellfamilie typischerweise mehr innere Tiefe erwarten, bezahlt aber oft mit noch mehr Länge und potenziell noch mehr Reibung beim Output. Dieser Standard-Lauf zeigt bereits das Kernproblem in aller Klarheit: DeepSeek R1 Distill Qwen 14B kann denken. Es kann nur nicht zuverlässig liefern.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.