Qwen 3.5 27B

Mit einem Gesamtscore von 71.01% zeigt Qwen 3.5 27B ein eigenwilliges Profil: ein dichtes 27B-Workstation-Modell mit Generalisten-Anspruch, das im Thinking-Lauf sichtbar auf Tiefe setzt, dabei aber zu oft in Langsamkeit, Formatstarre und Aussetzern steckenbleibt. Der Speed Profile Badge lautet Unusable DevOps Expert. Das ist ein seltener Fall, in dem der Name schon die Warnlampe ist: fachlich oft brauchbar, operativ aber unerquicklich. Sovereign Risk: HIGH — die bereitgestellten Provider-Daten verorten den Anbieter unter chinesischer Jurisdiktion; bei Cloud-Nutzung entstünde damit ein hohes Souveränitätsrisiko.

Kopfnoten: Stabilität und Zuverlässigkeit

Einordnung: Was dieses Modell sein will

Qwen 3.5 27B tritt hier als Generalist an, nicht als reines Spezialwerkzeug. Das ist wichtig, weil die Tag-Liste zunächst nach Schweizer Taschenmesser klingt: Reasoning, Thinking, Multimodalität, Coding, Agentic, Instruct, Long-Context. In der Praxis bedeutet das nicht, dass alles gleichermaßen glänzt. Es bedeutet, dass die Messlatte breit angelegt werden muss. Ein Modell mit diesem Zuschnitt darf bei Code stark sein und bei Sprachfeinheiten nur ordentlich. Es darf bei Planung überzeugen und trotzdem an eng geführten Formatvorgaben scheitern. Entscheidend ist, ob das Gesamtbild trägt.

Die Größenklasse ist Workstation, also kein Taschenspielzeug für den Laptop, aber auch kein wolkenbewohntes Frontier-Monster. Hinzu kommt eine dichte Architektur mit 27 Milliarden Parametern, also ohne Experten-Tricks oder MoE-Sparsamkeit. Bei Dense-Modellen ist die Sache klar: Alle Gewichte arbeiten bei jedem Token. Die Kapazität ist echt, die Rechenlast aber ebenfalls. Man erwartet deshalb Substanz pro Token, nicht bloß heiße Luft in Langform.

Dieser Bericht bewertet ausdrücklich den Thinking-Lauf. Das ist keine bloße Fußnote, sondern der Charakter dieses Tests. Qwen 3.5 27B durfte hier ausführlich denken, und man sieht es. Die Antworten sind oft länger, erklärender und strategischer. Das ist in Reasoning-Aufgaben gewollt. Es entschuldigt aber nicht, wenn aus Nachdenklichkeit eine Verkehrsstörung wird.

Geschwindigkeit und Praxischarakter

Der Badge Unusable DevOps Expert sagt im Kern zweierlei. Erstens: Das Modell ist thematisch durchaus in einer Entwickler- und Analysewelt zu Hause. Zweitens: Die Generierung ist für interaktive Arbeit so zäh, dass der Nutzen im Alltag erodiert. Qwen 3.5 27B schreibt nicht hektisch, sondern schwerfällig. Bei einem lokalen Modell auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) ist das ein relevanter Praxisbefund: Nicht der Speicher bremst, sondern das Gesamtverhalten dieses Laufs.

Auch die Token-Ökonomie passt ins Bild. Im Reasoning- und Metacognition-Bereich verbraucht das Modell im Schnitt 3273 Tokens statt 1282 im Fleet-Median. Das ist dort noch legitim, weil diese Module bewusst ohne enge Budgetkette laufen. Kritischer wird es in den übrigen Disziplinen. Im CLI-Bereich produziert Qwen 3.5 27B im Mittel 3195 Tokens bei einem Fleet-Median von 312. In Cultural Intelligence liegt es bei 3647 statt 290. In UX Writing bei 4863 statt 1577. Das ist kein Qualitätsbeweis, sondern ein Reibungsverlust. Lokal heißt mehr Text vor allem mehr Wartezeit. Wer dieses Modell in Agenten- oder Tool-Ketten einspannt, bezahlt jede rhetorische Zusatzschleife mit Zeit.

Reasoning und Logik: klug, aber seltsam ungehorsam

Von einem Thinking-Modell erwartet man längere Antworten, saubere Fallunterscheidungen und ein erkennbares Bemühen, nicht nur zur Lösung zu springen, sondern den Weg dorthin zu beleuchten. Qwen 3.5 27B erfüllt das nur halb. Der positive Teil zuerst: In der metakognitiven Logikaufgabe mit den beiden Wächtern war die Kernlösung korrekt. Die Logik stimmte. Das Modell wusste, welche Frage zum falschen Hinweis führt und dass man anschließend die andere Tür wählen muss. Fachlich also kein Blindflug.

Das Problem ist die Art, wie es dahin kommt. Im sichtbaren Ergebnis blieb die Antwort zu flach, obwohl intern massiv gedacht wurde. Der Judge protokolliert einen eigentümlichen Widerspruch: sehr hoher Denkaufwand, aber wenig sichtbare Struktur, kaum alternative Formulierungen, keine saubere Fallzerlegung, keine Tabelle, kein begrifflicher Unterbau. Das ist, als würde jemand minutenlang im Nebenraum tüfteln und dann mit einem korrekten, aber überraschend knappen Zettel zurückkommen.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den Tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 65%, was dem Niveau anderer Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Das ist mehr als ein formaler Schönheitsfehler. Wer ein Modell in Arbeitsabläufe mit strikten Strukturvorgaben einbindet, braucht Gehorsam nicht als Tugend, sondern als Funktion. Qwen 3.5 27B denkt hier offenbar lieber über die Legitimität der Vorgabe nach, als sie einfach zu erfüllen. Für philosophische Seminare mag das charmant sein. Für Maschinenarbeit ist es unerquicklich.

Code Quality: fachlich belastbar, aber nicht vollständig genug

Die gute Nachricht zuerst: Qwen 3.5 27B kann Code-Audits ernsthaft lesen. Im Sicherheits-Review eines absichtlich verwundbaren PHP-Schnipsels lieferte es eine formal korrekte Markdown-Tabelle, blieb in deutscher Sprache sauber, identifizierte die fünf impliziten Schwachstellen und nannte praktische Fixes. Das ist keine Kleinigkeit. Viele Modelle stolpern hier entweder über die Struktur oder über die Priorisierung. Qwen stolpert nicht sofort. Es arbeitet.

Nur arbeitet es nicht gründlich genug. Der Judge zählt rund 15 bis 16 erkannte Schwachstellen, wo die Referenz 19 führt. Das entspricht grob vier Fünfteln des Erwartbaren. Für eine schnelle Sicherheitsdurchsicht ist das ordentlich. Für ein Modell mit Coder- und Reasoning-Anspruch in der Workstation-Klasse ist es zu wenig, um Vertrauen ohne Gegenkontrolle zu rechtfertigen. Besonders ärgerlich ist die Fehleinstufung beim Type-Juggling-Thema. Ein Vergleichsfehler mit möglicher Systemkompromittierung wurde zu mild bewertet. Solche Kalibrierungsfehler sind tückischer als ein bloß übersehener Standardbefund, weil sie falsche Prioritäten setzen.

Hinzu kommt ein Schärfeverlust in der Erklärungstiefe. Die Fixes sind meist brauchbar, aber oft telegraphisch. Das Modell sagt, was zu tun ist, erklärt aber nicht immer sauber, wie der Angriffsweg tatsächlich funktioniert. Gerade in Security-Arbeit zählt dieser Unterschied. Ein Entwickler, der das Risiko nur halb versteht, baut den halben Fix.

Und dann kommt der eigentliche Praxisdämpfer: Die Modulstabilität im Code-Bereich war desaströs. Wenn ein Modell in diesem Feld fachlich durchaus Kompetenz zeigt, gleichzeitig aber im Gesamtbild des Moduls immer wieder wegbricht, ist das keine Petitesse. Ein Security-Reviewer, der mitten in der Tabelle verschwindet, ist kein Reviewer, sondern ein Risiko.

Content Transformation und UX-Nähe: überraschend stark, aber nicht verlässlich

Ausgerechnet dort, wo viele Code-nahe Modelle in hölzerne Sprache kippen, zeigt Qwen 3.5 27B echte Klasse. Die YouTube-Transformation zum 2FA-Erklärvideo ist einer der stärksten qualitativen Befunde im Paket. Deutsch durchgehend sauber, klare Hook, präzise Timestamps, Produktionshinweise, B-Roll-Cues, Call-to-Action, sogar das gewünschte Easter Egg sinnvoll eingebaut. Der Judge bescheinigt dem Output Produktionsreife. Das ist bemerkenswert, weil es dem Vorurteil widerspricht, ein coder-lastiges Modell könne nur nüchtern und technisch.

Diese Stärke relativiert zugleich die Kategorisierung. Ja, die Tags nennen Coding und Reasoning. Aber im Generalisten-Rahmen zeigt Qwen hier mehr als bloße Restkompetenz. Es kann umschreiben, adaptieren und auf Zielgruppen zuspitzen. Nicht mit literarischer Eleganz, aber mit handwerklicher Souveränität.

Allerdings gilt auch hier: Das gute Einzelbeispiel steht auf wackligem Fundament. Die Modulmetrik spricht von massiven Aussetzern. Wer Content in produktiven Ketten erzeugt, etwa Skripte, Umformulierungen oder Marketing-Varianten, braucht Wiederholbarkeit. Qwen 3.5 27B liefert mitunter A-Material, verhält sich aber in der Serie wie ein Autor, der jeden zweiten Abgabetermin verpasst.

Tool-Use, Security und Halluzinationen: hier hört der Spaß auf

Die klarste rote Linie dieses Benchmarks liegt im Tool-Use-Bereich. Dort wurde ein Hard-Constraint-Verstoß erkannt: Halluzination in einer Aufgabe, die auf Tool-Ergebnisse gestützt sein musste. Das Modell generierte Inhalte, die nicht aus dem abgerufenen Tool-Output stammten. Der Score wurde durch ein Halluzinations-Cap gedeckelt. Das ist kein bloßes Missverständnis, sondern genau die Sorte Fehler, die Recherche- und Faktenaufgaben disqualifizieren kann.

Für Agentic-Modelle bewertet man exakte Direktformatierung oft milder, weil in echten Multi-Agent-Setups delegiert würde. Halluzinierte Tool-Resultate verdienen diese Milde nicht. Wer Werkzeuge nutzt oder nutzt zu haben vorgibt, muss zwischen Beobachtetem und Erdachtem trennen. Wenn diese Grenze verrutscht, wird aus einem Assistenten ein Improvisationstheater mit Shell-Zugang.

Das ist umso wichtiger, weil Qwen 3.5 27B in der Architektur-Einordnung ausdrücklich auch als agentisch verstanden wird. Planung, Zerlegung, strukturierte Bearbeitung: all das passt. Aber Agentik ohne verlässliche Bindung an Tool-Ergebnisse ist wie ein Projektmanager, der Statusberichte schreibt, ohne die Tickets gelesen zu haben.

Cultural Intelligence und sprachliche Feinfühligkeit

Im Bereich Cultural Intelligence liefert Qwen 3.5 27B ein solides, aber nicht glanzvolles Bild. Der Judge lobt die Sprachbeherrschung und den kulturellen Fit, kritisiert aber ein typisches Problem vieler technisch geprägter Modelle: Die Antwort ist sicher und brauchbar, aber nicht elegant. Sie neutralisiert, statt wirklich fein zu reframen. Das ist ein wichtiger Unterschied. Gute kulturelle Anpassung ist nicht bloß Schadensvermeidung, sondern die Kunst, einen Satz so umzubauen, dass er im Zielkontext natürlich wirkt.

Bemerkenswert ist, dass das Modell trotz der stark erhöhten Tokenmenge in diesem Modul nicht sichtbar mehr Präzision erkauft. Es schreibt deutlich mehr als der Schnitt, ohne im selben Maß an Wirkung zu gewinnen. Auch hier zeigt sich der Charakter dieses Laufs: Qwen denkt und spricht gern ausführlich, aber nicht jede zusätzliche Schleife erzeugt zusätzlichen Wert.

Datenschutz und Datenhoheit

Für diesen konkreten Benchmark-Lauf ist Qwen 3.5 27B als lokales Open-Weights-Modell erfreulich souverän einsetzbar, weil keine Prompt-Daten an einen Cloud-Provider übertragen werden müssen. Das entlastet die praktische Datenschutzlage erheblich. Die Gewichte selbst tragen jedoch ein Weights-Provenienz-Risiko von MEDIUM: entwickelt von Alibaba Cloud in China, offen unter Apache-2.0 lizenziert und damit frei lokal betreibbar, aber aus einem Rechtsraum kommend, den europäische Unternehmen bei Beschaffung und Governance nicht ausblenden sollten.

Fazit

Qwen 3.5 27B ist ein widersprüchliches Modell mit echtem Können und unerquicklich schwacher Betriebssicherheit. Als Generalist in der Workstation-Klasse bringt es für ein dichtes 27B-Modell respektable fachliche Substanz mit. Im Thinking-Modus kann es logisch korrekt argumentieren, Security-Probleme sinnvoll analysieren und sogar im Content-Umbau überraschend überzeugend auftreten. Im direkten Charaktervergleich innerhalb der Familie wirkt dieser Lauf nachdenklicher und schwerer als die Standard-Varianten. Er gewinnt an Ausführlichkeit, bezahlt dafür aber mit deutlich schlechterer Praxistauglichkeit.

Die eigentliche Schwäche ist nicht mangelnde Intelligenz, sondern mangelnde Disziplin. Zu viele Timeouts. Zu viel Tail-Latenz. Zu viel interner Denkaufwand für zu wenig sichtbaren Mehrwert. Dazu eine reale Halluzinationslinie im Tool-Use und eine systematische Neigung, explizite Metakognitions-Formate zu verweigern. Für lokale Einzelaufgaben mit menschlicher Aufsicht kann man dieses Modell guten Gewissens prüfen, vor allem bei Code-nahen Analysen und längeren Transformationsaufgaben. Für unbeaufsichtigte Agenten, zeitkritische Pipelines oder toolgestützte Faktenarbeit ist es in diesem Lauf keine Empfehlung. Qwen 3.5 27B ist kein Blender. Aber es ist ein Modell, das seine Talente zu oft im Maschinenraum verheddert.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.