Zum Inhalt springen
CrucibleMark

Qwen 3.6 27B (Thinking)

Qwen 3.6 27B ist Alibabas dichtes Open-Weights-Modell mit 27,8 Mrd. aktiven Parametern, das laut Hersteller das eigene MoE-Geschwistermodell 35B-A3B in Coding-, Agent- und Vision-Tests übertrifft. Veröffentlicht am 22. April 2026 unter Apache 2.0 für lokalen Betrieb, kombiniert die Architektur hybride Attention mit nativer Multi-Token-Prediction für spürbaren Durchsatz. Diese Card erfasst die NVFP4-Variante — ein Performance-Update für vLLM auf NVIDIA Blackwell: NVFP4 ist ein 4-Bit-Floating-Point-Format mit zweistufiger Mikroblock-Skalierung (E4M3 pro 16-Werte-Block plus FP32-Per-Tensor-Skala), das den Speicherbedarf gegenüber FP16 um ~3,5× und gegenüber FP8 um ~1,8× senkt bei unter 1 % Genauigkeitsverlust. Vorgängerprofil ohne NVFP4: qwen3_6-27B-pre025 (Card qwen3_6-27B-pre025–VSPK.json, Tests 2026-07-09, vLLM vor 0.25.1).

Alibaba Version 3.6 Kommerzielle Nutzung erlaubt Dense 27.8 B (27.8 B aktiv) 262 K Context 12/2025 local getestet

  • Open Weights
  • Workstation
  • vLLM
  • Text
  • Vision
  • Video
  • Instruction-Tuned
  • Unusable

Sovereign Risk: MEDIUM Der Entwickler Alibaba hat seinen Hauptsitz in China, was bei der Nutzung von Cloud-Diensten des Herstellers ein potenzielles Risiko im Hinblick auf die chinesische Gesetzgebung (NSL) darstellt. Da die Modellgewichte jedoch unter der Apache-2.0-Lizenz offen verfügbar sind und dieses Modell für den rein lokalen Betrieb konzipiert ist, findet keine Datenübertragung an Server des Herstellers statt. Das Risiko wird daher als ‘mittel’ eingestuft, da der Ursprung in einer Hochrisiko-Jurisdiktion liegt, die praktische Gefahr bei lokaler Nutzung aber minimiert ist.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 20 52
HTTP Fetch & Extract 80 35 57.5
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
Multilingual Search & Synthesis 100 60 80

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
8.91
First Request
MCP
1.23
Protocol Latency
Synthesis
85.9
Response Generation
Total
576.21
Sum of All Phases
Token
21726
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am · Instruction-Tuned

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung meist stark ist, aber die Synthesetreue zu schwach und ein invalider Tool-Call in einer MCP-Pipeline ein echtes Vertrauensproblem erzeugt.

Tool-Execution-Profil

Qwen 3.6 27B zeigt klare Werkzeugintelligenz, nicht nur starres Musterverhalten. Beim Test Web Search & Tool Selection, der ohne expliziten Hinweis die Wahl zwischen Suche und direktem Abruf prüft, erkennt es den Bedarf für web_search zuverlässig. Das spricht für brauchbare Planungslogik in offenen Recherchepfaden. Beim URL-Construction-Test, der prüft, ob das Modell die Ziel-URL selbst ableiten und dann fetch korrekt ausführen kann, bleibt es brauchbar, aber nicht deterministisch genug. P1 ist dort nur solide, nicht robust.

Der Kernvorbehalt ist protokollarisch: Tool-Call valide ist false. Das heißt nicht, dass das Modell Tools grundsätzlich nicht versteht. Es heißt aber, dass man den MCP-Layer nicht ohne Guardrails übergeben sollte. Für produktive Tool-Ketten braucht es Call-Validation, Schema-Prüfung und im Zweifel einen Broker, der fehlerhafte Aufrufe abfängt, bevor Seiteneffekte entstehen.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur eingeschränkt. Der P2-Wert zeigt, dass Qwen 3.6 27B gefundene Inhalte oft nicht präzise genug zusammenzieht. Das sieht man besonders bei EU License Research, wo die Tool-Nutzung formal gelingt, die Verdichtung aber auf 20 fällt, und bei HTTP Fetch & Extract, das strukturierte Fakten aus echtem Seiteninhalt ziehen soll und nur auf 35 kommt. Für Compliance, Regulatorik und jede Pipeline mit exakten Detailfeldern ist das zu unsauber.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Das Honeypot-Ergebnis ist widersprüchlich: keine Halluzination im Einzelfall markiert, aber global Halluzination erkannt true. Genau das ist das Sicherheitsrisiko. Sobald ein Modell in einer Tool-Pipeline erfundene Fakten als aus Tools stammend ausgeben kann, ist nicht nur die Antwortqualität betroffen, sondern die Beweiskraft der gesamten Infrastruktur.

Fehlerresilienz

Hier ist das Modell brauchbar. Beim 404-Test, der prüft, ob ein gescheiterter Tool-Aufruf transparent kommuniziert wird statt Seiteninhalt zu erfinden, bleibt Qwen 3.6 27B sauber. Es ersetzt den Fehler nicht durch Fantasieinhalt. Das ist für Produktion akzeptabel und deutlich wichtiger als stilistische Antwortqualität.

Betriebsprofil

Call 1: 8.91s. MCP-Latenz: 1.23s. Call 2: 85.90s. Total: 576.21s.
Lokal betreibbar. Direkte Laufkosten pro Run: local.
Für die gezeigte Leistung ist das langsam.

Fazit & Empfehlung

Geeignet für lokale Recherche- und Orchestrierungs-Pipelines mit strikter Tool-Call-Validierung, Response-Checking und nachgelagerter Faktenprüfung. Nicht geeignet für Compliance-nahe, zitierpflichtige oder extraktionskritische Workflows, in denen Tool-Ergebnisse präzise verdichtet und belastbar weitergereicht werden müssen. Als Agent, der das richtige Werkzeug oft findet und Fehler transparent meldet, ist es brauchbar. Als vertrauenswürdige letzte Syntheseschicht ist es noch nicht stabil genug.

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.