Zum Inhalt springen
CrucibleMark

Qwen 3.6 27B

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
  • Interactive

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 95 40 62
HTTP Fetch & Extract 80 60 70
Tool Failure Handling (404) 80 60 73
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: Nicht 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
3.14
First Request
MCP
1.42
Protocol Latency
Synthesis
19.67
Response Generation
Total
145.38
Sum of All Phases
Token
10140
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 stark ist, aber die Tool-Calls nicht durchgängig valide waren und die Synthesetreue mit Combined 76,00 für tool-gestützte Produktionspipelines zu ungleich ausfällt.

Tool-Execution-Profil

Qwen 3.6 27B zeigt echtes Werkzeugverständnis. Beim Web-Search-and-Tool-Selection-Test, der prüft ob das Modell ohne Hinweis erkennt, dass Suche statt direktem Fetch nötig ist, agiert es fehlerfrei. Das spricht gegen ein starres Abrufmuster und für situative Toolwahl. Auch die multilingualen Suchaufgaben und die EU License Research wurden auf P1-Seite sehr sicher bedient.

Schwächer ist die Präzision bei der Ausführung. Beim URL-Construction-Test, der die eigenständige Ableitung einer Ziel-URL und den anschließenden Fetch misst, ist das Ergebnis brauchbar, aber nicht deterministisch genug für Pipelines, die korrekte Endpunkte ohne Korrekturschleife erwarten. Der globale Befund „Tool-Call valide: false“ ist hier der operative Haken. Es gibt kein Retry-Muster, also kein offensichtliches Formatproblem. Das wirkt eher wie gelegentliche Ungenauigkeit in der letzten Meile des Calls.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur begrenzt verlässlich. P2 von 51,67 ist der klare Schwachpunkt dieses Laufs. Qwen kann gefundene Inhalte zusammenziehen, verliert aber bei Verdichtung Konsistenz und Präzision. Das sieht man besonders bei EU License Research mit P2 40 und bei mehreren sonst starken Tool-Aufgaben, die in der Synthese deutlich hinter der Ausführung zurückfallen. Für reine Recherche-Orchestrierung ist das tragbar. Für entscheidungsreife Kurzfassungen eher nicht.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Im Honeypot EU License Research, der prüft ob aktuelle Lizenzrestriktionen wirklich aus Web-Quellen gezogen werden, wurde keine Halluzination erkannt. Das ist der wichtigere Vertrauensbefund. Das Modell dichtet keine erfundenen Compliance-Fakten an ein Tool-Ergebnis an, auch wenn die Zusammenfassung inhaltlich flach bleibt.

Fehlerresilienz

Beim 404-Test, der die Reaktion auf einen scheiternden Tool-Call misst, bleibt Qwen transparent und erfindet keinen Ersatzinhalt. P2 60 ist kein Glanzwert, aber produktionsfähig. Ein Modell, das Fehler offen meldet statt Seiteninhalt zu halluzinieren, bleibt in einer MCP-Pipeline kontrollierbar.

Betriebsprofil

Total 145,38s. Call 1 3,14s, Call 2 19,67s, MCP-Latenz 1,42s. Für die gezeigte Qualität langsam. Kosten/Run: local. Wirtschaftlich nur sinnvoll, wenn lokale Ausführung und offene Gewichte wichtiger sind als Durchsatz.

Fazit & Empfehlung

Geeignet für lokale MCP-Pipelines, in denen das Modell Tools auswählen, Web-Recherche anstoßen und Fehler sauber offenlegen soll. Nicht geeignet als letzte Instanz für Compliance-Synthesen, entscheidungsreife Executive Summaries oder strikt deterministische Fetch-Pipelines ohne nachgelagerte Validierung. Empfohlen als Recherche- und Orchestrierungsschicht mit hartem Response-Checking nach dem Tool-Call und einer zweiten Stufe für Verdichtung.

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.