Qwen 3.6 35B-A3B (Unsloth)

Mit einem Gesamtscore von 70.53% zeigt Qwen 3.6 35B-A3B ein erstaunlich widersprüchliches Profil: ein Workstation-Generalist mit MoE-Architektur, nur rund 3 Milliarden aktiven Parametern pro Token, großem Anspruch und stellenweise sehr erwachsener Leistung. Der Speed Profile Badge lautet Real-Time DevOps Expert, und genau so wirkt das Modell im Standard-Modus dieses Testlaufs auch: direkt, flott, tool-nah, aber nicht immer sauber genug für unbeaufsichtigte Übergabe. Das ist kein träger Grübler, sondern ein produktionsnaher Arbeiter mit gelegentlichen Aussetzern bei Disziplinfragen. Sovereign Risk: HIGH — der Anbieter-Kontext liegt unter chinesischer Jurisdiktion; bei Cloud-Betrieb wäre das ein ernstes Souveränitätsrisiko, auch wenn dieses Modell hier lokal mit offenen Gewichten lief.

Kopfnoten: Stabilität und Zuverlässigkeit

Einordnung: Was für ein Modell ist das hier eigentlich?

Qwen 3.6 35B-A3B ist laut kuratierter Klassifikation ein Generalist, keine reine Coding-Spezialmaschine und auch kein ausschließlich auf Deep Thinking getrimmter Denker. Gleichzeitig trägt es auffällig viele Architektur-Tags: Reasoning, Thinking, Coder, Agentic, Instruct, Multimodal und MoE. Das klingt nach eierlegender Wollmilchsau. In der Praxis heißt es vor allem: hohe Ambition, breite Werkzeugkiste, aber auch mehrere Zielkonflikte.

Wichtig ist der Betriebsmodus dieses konkreten Laufs: getestet wurde Standard, also mit deaktiviertem Thinking. Das relativiert einiges. Kürzere, direktere Antworten sind hier nicht Mangel, sondern Sollzustand. Wer vom Tag Thinking automatisch epische Gedankengänge erwartet, schaut auf die Architektur, nicht auf den tatsächlich gefahrenen Modus.

Die zweite entscheidende Einordnung betrifft die Kapazität. 35 Milliarden Gesamtparameter klingen nach Server-Klasse, aber bei MoE zählt die aktive Rechenmasse. Hier sind es rund 3 Milliarden aktive Parameter pro Token. Das ist die ehrlichere Vergleichsgröße. Man bekommt also kein 35B-Dense-Monster, sondern ein effizient geschaltetes Expertenmodell, das versucht, mit schlanker aktiver Kapazität nach größerer Klasse auszusehen. Oft gelingt ihm das. Nicht immer.

Geschwindigkeit und Betriebscharakter

Weil es sich um ein lokales Modell auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) handelt, ist der Geschwindigkeitscharakter mehr als eine Randnotiz. Der Badge Real-Time DevOps Expert passt hier tatsächlich: Qwen 3.6 35B-A3B arbeitet auf dem Testsystem sichtbar im schnellen, interaktiven Bereich und fühlt sich im Alltag eher nach Werkzeug als nach Wartezimmer an.

Das ist für ein Modell mit dieser Breite bemerkenswert. Gerade MoE-Modelle leben davon, mit kleiner aktiver Kapazität respektable Leistung zu liefern. Qwen spielt diese Karte sauber aus. Im Standard-Modus wirkt es nicht wie ein nachdenklicher Essayist, sondern wie ein Assistent, der zügig zur Sache kommt. Das macht es für CLI-nahe Aufgaben, technische Hilfstexte und operative Arbeit deutlich attraktiver als viele reasoning-lastige Modelle, die erst einmal einen inneren Roman verfassen.

Hinzu kommt: Das Modell verhält sich token-ökonomisch. Kein Modul überschreitet den erwarteten Verbosity-Rahmen. Das ist bei einem lokalen Modell kein bloß kosmetischer Wert, sondern ein Praxisvorteil. Weniger Text bedeutet meist schnellere Reaktion, geringere Streuung und weniger Gelegenheiten, sich in Nebensätzen zu verlieren.

Code Quality: technisch wach, formal nicht immer gehorsam

Der Code-Block dieses Benchmarks zeigt den Charakter des Modells besonders gut. Qwen 3.6 35B-A3B erkennt in einer Sicherheitsanalyse sehr viele Schwachstellen korrekt, trifft Schweregrade meist vernünftig und liefert eine sauber formatierte Markdown-Tabelle. In der Sache ist da Kompetenz. Das Modell sieht SQL-Injection, Session-Probleme, Path Traversal, CSRF, Type Juggling und andere Klassiker nicht nur, es benennt sie in brauchbarer Breite. Für ein generalistisches Workstation-MoE mit nur 3 Milliarden aktiven Parametern ist das respektabel.

Aber dann kommt der Haken, und er ist kein kleiner: In einer Code-Quality-Aufgabe ignorierte das Modell die explizite Sprachanweisung und antwortete vollständig auf Englisch, obwohl Deutsch gefordert war. Das ist kein stilistischer Schönheitsfehler, sondern ein echter Instruction-Following-Bruch. In produktiven Umgebungen mit fester Zielsprache scheitert so etwas direkt am ersten Review.

Noch ärgerlicher ist, dass die inhaltliche Qualität diesen Fehler nicht rettet. Das System verhängte hier regelbasiert den Abzug, unabhängig davon, ob die Analyse technisch stark war. Genau so soll ein Benchmark reagieren. Wer eine Sicherheitsprüfung für ein deutsches Team bestellt und ein englisches Audit bekommt, hat kein theoretisches Problem, sondern zusätzlichen Abstimmungsaufwand.

In derselben Aufgabe trat auch der automatische Constraint-Befund auf: Das Modell verletzte die verbindliche Sprachvorgabe, was faktisch zu einem harten Bewertungsverlust führte. Die Antwort war auf Englisch statt auf Deutsch. Die inhaltliche Qualität wurde dadurch zweitrangig, weil die Pflichtbedingung bereits gerissen war.

Als qualitative Tendenz lässt sich festhalten: Qwen 3.6 35B-A3B ist im technischen Erkennen stärker als in der letzten Meile der Aufbereitung. Es findet Lücken, aber es liefert nicht durchgehend die strategische Verdichtung, konkrete Fix-Snippets und Angriffsverkettungen, die ein wirklich reifes Security-Modell auszeichnen würden. Das ist ein guter Analytiker. Kein souveräner leitender Auditor.

Logik und Reasoning: richtig gedacht, etwas zu lang um den Block

Im Reasoning-Modul arbeitet das Modell klar über seinem Gewichtsverdacht. Die Kernlogik stimmt. In der exemplarischen Wächter-Aufgabe landet es bei der richtigen Lösung, erklärt das Prinzip der doppelten Umkehr korrekt und bleibt auf Deutsch. Für einen Generalisten im Standard-Modus ist das ein solides Signal. Das Modell kann logisch sauber arbeiten, ohne dass sichtbares Chain-of-Thought eingeschaltet sein muss.

Die Schwäche liegt nicht im Ergebnis, sondern im Weg dorthin. Das Protokoll zeigt Zwischenkorrekturen, Umwege und eine gewisse Neigung, denselben Gedankengang mehrfach neu anzusetzen. Man merkt: Das Modell kann denken, aber es denkt nicht immer elegant. Es ist eher der Ingenieur mit Whiteboard voller Pfeile als der Mathematiker mit einer Zeile Beweis.

Das sollte man fair einordnen. Bei einem Modell mit Thinking-Architektur, dessen Thinking-Modus hier bewusst deaktiviert war, ist diese leichte Rauheit nicht überraschend. Interessant ist vielmehr, dass die inhaltliche Richtigkeit trotzdem hält. Qwen 3.6 35B-A3B besitzt also echte Reasoning-Substanz, auch wenn die Darstellung im Standard-Modus nicht maximal poliert ist.

Content Transformation: gute Hand für Struktur, schwächere Hand für harte Grenzen

Im Bereich Content Transformation zeigt das Modell eine seiner klareren Stärken. Es kann Material umformen, strukturieren und in produktionsnahe Formate gießen. Das Beispiel eines deutschsprachigen Video-Skripts belegt das sauber: Tabellenstruktur, Timing, Produktionshinweise, Hook, Pattern Interrupt, CTA, Easter Egg. Das ist nicht genial inszeniert, aber es ist benutzbar. Viele Modelle scheitern hier schon daran, Text und Regieanweisung sauber zu trennen. Qwen tut das nicht.

Was ihm fehlt, ist die dramaturgische Finesse. Die Analyse davor bleibt funktional statt diagnostisch brillant, Retention-Hooks sind eher Pflichtübung als Magnet, und emotionale Bögen werden nur angedeutet. Das Modell baut ein solides Gerüst. Die Inszenierung muss oft noch ein Mensch schärfen.

Dazu kommt ein strukturelles Problem bei harten Wortlimits. In zwei Aufgaben dieses Moduls überschritt Qwen 3.6 35B-A3B die expliziten Grenzen jeweils um 21 Prozent. Einmal lag das Limit bei 250 Wörtern, geliefert wurden 303. Das System verhängte dafür automatisch 20 Prozent Abzug, konkret minus 11.92 Punkte auf den erreichten Teilscore. In einer zweiten Aufgabe lag das Limit bei 900 Wörtern, das Modell schrieb 1092 und kassierte erneut automatisch 20 Prozent Abzug, hier minus 16.20 Punkte. Die inhaltliche Qualität der Antworten ist damit irrelevant. Die Strafe greift unabhängig davon.

Das Längenproblem ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content-Transformation-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es das Wortlimit als erste Bedingung. Genau das ist im Redaktionsalltag lästig. Ein Text, der „eigentlich gut“ ist, aber regelmäßig überzieht, spart keine Arbeit, sondern produziert Nacharbeit.

UX, Dokumentation, Kultur: kompetent, aber mit klarer Tonalität

Die Benchmarks deuten insgesamt auf ein Modell, das im Schreiben sachlich und brauchbar arbeitet, aber selten die letzte Nuance trifft. Besonders aufschlussreich ist der Cultural-Intelligence-Bereich. Dort formuliert Qwen 3.6 35B-A3B eine toxische Stellenanzeige erfolgreich um, entfernt problematische Sprache und wahrt professionelle Verständlichkeit. Das ist die gute Nachricht.

Die weniger gute: Es trifft den Registerton nicht immer sauber. Im Protokoll kippt das Modell in die informelle „du“-Ansprache, wo ein formelles „Sie“ professioneller gewesen wäre. Es ersetzt präzise Berufsbezeichnungen durch weichere, persönlichkeitsorientierte Formulierungen und schiebt eine recht explizite Diversity-Formel nach, wo subtilere Inklusion stärker gewirkt hätte. Anders gesagt: Es will modern und inklusiv sein, wirkt dabei aber gelegentlich wie jemand, der auf einem Business-Empfang zu schnell beim Vornamen ist.

Das ist keine Katastrophe. Für Teams mit bewusst lockerer Markenstimme kann genau dieser Ton sogar passen. Aber für konservativere Unternehmenskommunikation oder formale B2B-Kontexte braucht es redaktionelle Kontrolle. Das Modell schreibt nicht plump. Es schreibt nur nicht immer mit perfektem Gespür für soziale Temperatur.

Agentic- und Tool-Charakter: Planungswillig, aber nicht immer formatstabil

Der Tag Agentic ist hier nicht bloß Dekoration. Qwen 3.6 35B-A3B zeigt in der Breite eine deutliche Neigung zu strukturierter Aufgabenerledigung. Es zerlegt Aufgaben meist sinnvoll, liefert bei technischen und operativen Prompts zweckmäßige Formen und macht selten den Fehler, ins völlig Unkonkrete abzuheben. Das passt zum Badge und zum beobachteten Nutzungsgefühl: eher Werkbank als Schreibseminar.

Allerdings sollte man daraus nicht ableiten, dass das Modell jede formale Vorgabe blind exekutiert. Die Sprachverletzung im Code-Modul und die wiederholten Wortlimit-Überschreitungen sind gerade im agentischen Einsatz relevant. Agentenketten leben von Verlässlichkeit in kleinen Regeln. Wer dort ausgerechnet Sprache oder Länge verliert, gefährdet nachgelagerte Schritte. Qwen plant ordentlich. Es gehorcht nicht immer mit militärischer Präzision.

Datenschutz und Datenhoheit

Für diesen Test selbst ist die Lage günstiger als bei einem Cloud-Endpunkt, weil Qwen 3.6 35B-A3B lokal mit offenen Gewichten betrieben wurde. Das praktische Souveränitätsrisiko des Deployments sinkt dadurch deutlich. Die Gewichtsherkunft bleibt dennoch relevant: Das ausgewiesene Weights-Provenienz-Risiko liegt bei MEDIUM, weil das Modell vom in China ansässigen Qwen-Team von Alibaba stammt, auch wenn die Apache-2.0-Lizenz und der vollständig lokale Betrieb das Risiko klar entschärfen.

Zu Alibaba als Anbieter liegen zudem belastbare Vendor-Daten vor: Jurisdiktion China unter PIPL, CSL und DSL, Datenstandort China plus regionale Rechenzentren weltweit, GDPR-DPA verfügbar, Aufbewahrungsdauer öffentlich nicht klar ausgewiesen. Für europäische Unternehmen wäre ein Cloud-Betrieb über Alibaba daher mit hohem Sovereign Risk verbunden. Es geht nicht um diffuse Geopolitik, sondern um ein reales Drittlandtransfer-Thema ohne EU-Angemessenheitsbeschluss. Im lokalen Betrieb dieses Open-Weights-Modells gilt dieser Punkt deutlich weniger scharf. Die Herkunft der Gewichte bleibt eine Governance-Frage, kein akutes Datenabfluss-Szenario.

Fazit

Qwen 3.6 35B-A3B ist ein interessantes Modell, gerade weil es nicht geschniegelt auftritt. Als lokaler Workstation-Generalist mit MoE-Architektur und nur rund 3 Milliarden aktiven Parametern pro Token liefert es mehr Substanz, als die nackte Aktivkapazität vermuten lässt. Es ist schnell genug für interaktive technische Arbeit, token-ökonomisch und über die gesamte Testbreite stabil. Über alle Tests hinweg keine nennenswerten Halluzinationen — das Modell erfindet lieber wenig, als sich mit großer Geste zu blamieren.

Seine Stärke liegt in brauchbarer Breite: Code-Verständnis, Reasoning-Grundstabilität, strukturierte Transformation, ordentliche Tool-Nähe. Seine Schwäche liegt in der Disziplin. Sprache kann kippen, Wortlimits werden wiederholt gerissen, und im Feinschliff fehlt manchmal die Eleganz. Das Modell ist kein Blender, aber auch kein pedantischer Perfektionist. Eher ein begabter Techniker, der abliefert und dabei gelegentlich die Checkliste nicht bis zur letzten Zeile liest.

Für den realen Einsatz heißt das: sehr brauchbar für lokale Assistenten, technische Redaktionsarbeit, DevOps-nahe Hilfstasks, Analyseentwürfe und agentische Workflows mit menschlicher Aufsicht. Weniger geeignet ist es dort, wo formale Compliance selbst das Produkt ist: feste Zielsprache, strenge Wortlimits, direkt publizierbare Kommunikation ohne Nachkontrolle. Gegenüber seinem Thinking-Lauf wirkt dieser Standard-Modus erwartbar knapper und operativer. Der Thinking-Modus erzielt den höheren Score und tritt analytischer auf, aber der Standard-Lauf ist der alltagstauglichere Arbeiter. Man könnte auch sagen: nicht der schlauste Kopf im Raum, aber oft der erste, der das Werkzeug schon in der Hand hat.

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.