Zum Inhalt springen
CrucibleMark

Qwen 3.6 35B-A3B (Unsloth) (Thinking)

Qwen 3.6 35B-A3B ist Alibabas MoE-Modell mit 35 Mrd. Gesamt- und rund 3 Mrd. aktiven Parametern pro Token, veröffentlicht am 22. April 2026 unter Apache 2.0 mit offenen Gewichten für lokalen Betrieb. Die hybride Attention-Architektur kombiniert klassische Aufmerksamkeit mit linearer Variante, Multi-Token-Prediction beschleunigt die Generierung spürbar.

Alibaba Version 3.6 Kommerzielle Nutzung erlaubt MoE 35 B (3 B aktiv) 262 K Context 12/2025 local getestet

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

Sovereign Risk: MEDIUM Das Modell stammt vom Qwen-Team (Alibaba), das in China ansässig ist. Die Einstufung des Risikos als ‘mittel’ statt ‘hoch’ berücksichtigt, dass es sich um ein Open-Source-Modell unter permissiver Apache-2.0-Lizenz handelt, das vollständig lokal ohne Cloud-Verbindung zu Alibaba-Servern betrieben werden kann. Bei rein lokalem Betrieb entfällt die NSL-Relevanz praktisch vollständig, ein theoretisches Restrisiko aufgrund der chinesischen Entwickler-Jurisdiktion bleibt für die Herkunftsbewertung bestehen.

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 40 64
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 95 80 88.3
URL Construction & Fetch 80 60 70
Multilingual Search & Synthesis 95 60 77.5

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
9
First Request
MCP
1.19
Protocol Latency
Synthesis
27.5
Response Generation
Total
226.16
Sum of All Phases
Token
26544
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: Das Modell ist für Tool-Ausführung grundsätzlich brauchbar, aber die Kombination aus nur mittlerer Synthesetreue, ungültigem Tool-Call und einem Combined-Score von 76.62 reicht nicht für unbewachte Produktionspipelines.

Tool-Execution-Profil

Qwen 3.6 35B-A3B zeigt echte Werkzeugintelligenz, aber keine durchgängig saubere Protokolldisziplin. Beim Web-Search-&-Tool-Selection-Test, der prüft, ob ohne Hinweis erst gesucht statt direkt gefetcht werden muss, erkennt es die richtige Werkzeugklasse sehr zuverlässig. Das spricht gegen starres Musterverhalten. Beim URL-Construction-Test, der die eigenständige Ableitung einer Ziel-URL mit anschließendem Fetch misst, bleibt es brauchbar, aber nicht deterministisch genug für fragile Pipelines. Der Kernbefund ist daher klar: Es wählt Tools meist sinnvoll, produziert aber nicht immer valide MCP-konforme Aufrufe. Dass kein Retry nötig war, deutet eher auf inkonsistente Call-Form als auf ein Verständnisproblem im Aufgabenablauf.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur eingeschränkt belastbar. Die P2-Leistung von 56.67 zeigt, dass Qwen gefundene Inhalte oft korrekt zusammenführt, aber Präzision, Priorisierung und Verdichtung nicht stabil genug hält. Das sieht man auch an EU License Research: korrekte Tool-Nutzung, aber schwache Endverdichtung. Dagegen sind HTTP Fetch & Extract sowie Tool Failure Handling (404) in der Zusammenfassung deutlich sauberer.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Im Honeypot EU License Research, der genau diesen Vertrauensbruch prüft, halluziniert es nicht. Das ist der wichtige Sicherheitsbefund. Der schwache P2-Wert von 40 ist deshalb eher ein Verdichtungs- als ein Vertrauensproblem. Für Compliance-nahe Abläufe ist das besser als erfundene Aktualität, aber noch kein Freifahrtschein.

Fehlerresilienz

Beim 404-Test, der transparenten Umgang mit gescheiterten Tool-Calls statt erfundenem Ersatzinhalt misst, reagiert das Modell produktionsgerecht. Es halluziniert trotz Fehler keinen Seiteninhalt und kommuniziert den Ausfall ausreichend offen. Das ist für reale MCP-Pipelines ein starkes Signal, weil ein Tool-Fehler die Antwortqualität senken darf, aber nicht die Tatsachengrundlage zerstören darf.

Betriebsprofil

Total 226.16s pro Run. Call 1: 9.00s. MCP-Latenz: 1.19s. Call 2: 27.50s. Lokal betrieben, daher keine API-Kosten. Für die gezeigte Leistung klar langsam.

Fazit & Empfehlung

Geeignet für lokal betriebene Recherche-, Retrieval- und Assistenzpipelines mit menschlicher Abnahme oder nachgelagerter Validierung. Besonders brauchbar dort, wo Tool-Ausfälle sauber behandelt werden müssen und lokale Gewichte wichtiger sind als maximale Antwortschärfe. Nicht die richtige Wahl für vollautomatische Compliance-, Policy- oder Entscheidungsstrecken, in denen jeder Tool-Call formal valide sein und jede Synthese eng am Tool-Output bleiben muss.

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.