Qwen3.8-2.4T-A95B

Mit einem Gesamtscore von 67.23% ist Qwen3.8-2.4T-A95B ein Modell mit hörbarem Anspruch und sichtbar unruhiger Ausführung. Als agentisch ausgerichteter Frontier-Generalist mit verpflichtendem Reasoning, 95 Milliarden aktiven Parametern in einer MoE-Architektur und 262K Kontextfenster will es planen, strukturieren und lange Strecken tragen. Im Benchmark gelingt ihm das nicht ohne Reibungsverluste: stark bei CLI, ordentlich bei Content und Kultur, aber auffällig schwach dort, wo Präzision unter Längen- und Formatdruck zählen sollte. Getestet wurde die Cloud-Open-Weights-Variante via OpenRouter im Standardmodus des Anbieters, also ohne separaten Thinking-Toggle; der Speed-Profile-Badge lautet Batch Tool Expert und beschreibt das Modell treffend als Werkzeug für gründliche, eher stapelweise als interaktiv gedachte Arbeit. Sovereign Risk: HIGH — Entwickler und Provider-Kontext liegen bei Alibaba Cloud in China; damit greifen chinesische Daten- und Sicherheitsgesetze, bei Cloud-Nutzung mit klaren Souveränitätsrisiken für europäische Nutzer.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter

Die vorab vergebene Kategorie passt erstaunlich gut zum Profil dieses Modells. Qwen3.8-2.4T-A95B ist kein scharf zugeschnittener Direktantworter, sondern ein großes, planendes System mit Hang zur inneren Vorarbeit. Das sieht man an mehreren Stellen. Erstens ist es ein Agentic-Orchestrator: Es zerlegt Aufgaben oft sinnvoll, denkt sichtbar in Schritten und liefert bei komplexen, mehrteiligen Prompts eher Struktur als Eleganz. Zweitens ist es ein Thinking-Mandatory-Modell. Reasoning ist hier kein Schalter, sondern Wesenszug. Genau das erklärt, warum Antworten häufig solide konzipiert sind, aber nicht selten an ihrem eigenen Aufwand leiden.

Wichtig ist dabei die richtige Messlatte. Die Gesamtzahl von 2,4 Billionen Parametern klingt nach Schwerindustrie, ist für die Praxis aber zweitrangig. Relevant sind die 95 Milliarden aktiven Parameter pro Token. Für ein Frontier-MoE-Modell ist das immer noch gewaltig, aber eben nicht die rohe Vollaktivierung, die der Gesamtwert suggeriert. Die Hybrid-Attention aus Gated-DeltaNet und Gated-Attention zielt auf lange Kontexte und Effizienz. In der Theorie ist das das richtige Werkzeug für ausgedehnte Arbeitskontexte, Dokumentketten und agentische Planung. Im Benchmark zeigt sich davon vor allem die Neigung zu langen Denkpfaden. Die Intelligenz ist da. Die Disziplin nicht immer.

Performance und Geschwindigkeitsprofil

Der Badge Batch Tool Expert ist mehr als eine kosmetische Etikette. Er beschreibt ein Modell, das nicht für den schnellen Schlagabtausch gebaut ist, sondern für Werkbank-Arbeit mit Tool- und Strukturbezug. Qualitativ heißt das: eher moderates bis träges Antwortverhalten, vor allem in schwierigen Aufgaben, dafür mit Ambition zu vollständigerem Durchdenken. Bei einem verpflichtend denkenden Agentic-Modell ist das kein Makel an sich. Solche Modelle zahlen für interne Planung oft mit Zeit.

Wichtig für die Einordnung: Qwen3.8-2.4T-A95B lief hier als Cloud-Open-Weights-Modell via OpenRouter. Die gemessene Generierungsgeschwindigkeit ist deshalb in erster Linie ein Befund über die bereitgestellte Cloud-Infrastruktur plus Netzwerkweg, nicht über irgendeine hypothetische Eigeninstallation. Gerade bei Open-Weights in der Cloud gilt: Tempo ist hier ein Anbietermerkmal. Und dieses Anbieterbild ist nicht berauschend. Der lange Tail und die hohe Ausfallrate machen aus dem Batch-Charakter keine Tugend, sondern oft Geduldsprobe.

Reasoning und Logik

Im Reasoning-Modul zeigt Qwen3.8-2.4T-A95B die Seite, wegen der man solche Modelle überhaupt in Betracht zieht. Der Wächter-und-Türen-Test wird korrekt gelöst, sauber erklärt und in gutem Deutsch präsentiert. Besonders positiv fällt auf, dass das Modell nicht nur die richtige Frage nennt, sondern auch konkurrierende Ansätze kurz sortiert und verwirft. Genau das erwartet man von einem verpflichtend denkenden System.

Die Qualität ist dabei nicht spektakulär brillant, aber verlässlich gut. Dem Golden Standard fehlt etwas an didaktischer Politur, etwa in Form klarerer Visualisierung oder stärker strukturierter Begründungsblöcke. Doch der Kern stimmt: logische Korrektheit, nachvollziehbare Herleitung, kein Blendwerk. Für ein agentisch orientiertes Modell ist das die richtige Priorität. Es denkt lieber methodisch als glänzend.

CLI, Tool-Nähe und sicherheitsnahe Aufgaben

Mit 84.34 Punkten im CLI-Bereich und 90.0 bei Tool Execution gehört die Werkzeugebene klar zu den stärkeren Zonen dieses Modells. Das ist folgerichtig. Agentic-Orchestrator-Modelle sind nicht primär dafür gebaut, den einen perfekten One-Liner aus dem Ärmel zu schütteln, sondern dafür, Arbeitsschritte in brauchbare Reihenfolge zu bringen. Genau diese strategische Tool-Nähe ist hier vorhanden.

Auch im sicherheitsnahen Denken zeigt das Modell Substanz. Im Code-Quality-Protokoll erkennt es zentrale Schwachstellen korrekt: SQL-Injection, Klartext-Passwörter, Path Traversal, CSRF-Lücken, Session-Probleme, schwache Reset-Tokens und mehrere implizite Schwachstellen. Besonders wichtig: Die fünf versteckten Sicherheitsprobleme werden explizit als solche erfasst. Das ist kein kleiner Haken auf der Checkliste, sondern der Unterschied zwischen oberflächlicher und ernstzunehmender Analyse.

Nur leider liefert das Modell seine guten Gedanken nicht zuverlässig zu Ende.

Code Quality: starke Analyse, schwache Auslieferung

Code Quality ist der Bereich, in dem Qwen3.8-2.4T-A95B seinen Charakter am klarsten offenlegt. Inhaltlich versteht es die Aufgabe. Formal scheitert es zu oft an sich selbst. Der Benchmarkschnitt von 61.8 Punkten ist für ein Frontier-Modell dieser Ambition schlicht zu dünn.

Das Sicherheitsurteil des Judges zu einer PHP-Audit-Aufgabe ist fast schon frustrierend positiv im negativen Sinn: Das Modell erkennt die großen und die versteckten Lücken korrekt, kategorisiert sie sauber und formuliert knappe, brauchbare Fix-Hinweise. Die Markdown-Tabelle sitzt. Das Deutsch sitzt. Dann bricht die Antwort mitten in der Tabelle ab. Nicht, weil das Modell fachlich entgleist, sondern weil sein internes Denken das Ausgabe-Kontingent auffrisst. Das ist der Unterschied zwischen einem klugen Analysten und einem, der im entscheidenden Moment den Bericht auf halber Strecke aus der Schreibmaschine zieht.

Im Code-Quality-Bereich bricht eine Ausgabe mitten in einer Tabelle ab — die Antwort ist technisch abgebrochen, kein inhaltlicher Fehler. Der Abzug im Score resultiert aus der unvollständigen Antwort, nicht aus inhaltlichen Mängeln.

Hier liegt auch ein strukturelles Muster vor. In drei Aufgaben im Code-Quality-Bereich haben interne Reasoning-Tokens das Ausgabe-Kontingent so weit verdrängt, dass nur noch unvollständige Resultate übrig blieben. In einer Aufgabe blieb dem Modell nach massivem internem Denkaufwand nur ein Restbudget von 1682 Tokens, in zwei weiteren sogar 1291 beziehungsweise 968 Tokens. Der Effekt ist praktisch derselbe: Die Analyse beginnt stark, die Lieferung endet zu früh. Bei einem Modell, das für Planung und komplexe Sicherheitsanalysen gedacht ist, ist das keine Petitessen-Frage. Wer Security-Audits schreibt, darf nicht regelmäßig mit abgeschnittener Tabelle vom Tisch gehen.

UX Writing: die große Schwäche

Mit 53.27 Punkten ist UX Writing die sichtbarste Sollbruchstelle. Nicht, weil das Modell Sprache grundsätzlich nicht beherrscht, sondern weil es unter gleichzeitigen Vorgaben aus Ton, Idiomatik, Inklusion und Kürze an Souveränität verliert.

Das qualitative Protokoll zur Stellenanzeigen-Umschreibung zeigt das Muster schön und unerquicklich. Qwen3.8-2.4T-A95B erfüllt die formalen Anforderungen, entfernt toxische Sprache und setzt genderneutrale Formulierungen ein. Aber der Text klingt mechanisch. Aus „Ninja“-Pathos wird nicht elegante Neufassung, sondern recht brav verwaltete Neutralisierung. Formulierungen wie „mit Qualität im Wettbewerb überzeugen“ wirken gestelzt. Die Inklusion wird als expliziter Nachsatz angehängt, während die bessere Lösung sie unauffällig in den Text einwebt. Das Ergebnis ist brauchbar, aber nicht fein. Ein HR-Profi würde es passieren lassen. Begeisterung löst es nicht aus.

Hinzu kommt das systemische Problem des Denkbudgets. In zwei UX-Writing-Aufgaben hat das Modell durch internen Reasoning-Verbrauch sein Ausgabe-Kontingent beschädigt. In einer Aufgabe blieben noch 2543 Tokens sichtbar übrig. In einer anderen fiel der Rest auf exakt null. Das ist der brutale Fall: keine schlechte Formulierung, sondern gar keine vollständige Ausformulierung mehr. Für UX-Arbeit ist das verheerend, weil hier Nuance nicht Bonus, sondern Produkt ist.

Documentation Quality: schwerfällig bis brüchig

Documentation Quality landet bei 46.12 Punkten und damit in einem Bereich, in dem ein Frontier-Modell keine Ausreden mehr hat. Gerade lange Kontexte und strukturierte Erklärarbeit müssten Qwen3.8-2.4T-A95B eigentlich liegen. Die Architektur schreit förmlich nach Dokumentation, Zusammenfassung, gestaffelter Erklärung. Umso härter fällt auf, wie oft die interne Denktiefe die externe Nutzbarkeit beschädigt.

Drei Aufgaben im Documentation-Quality-Bereich litten unter demselben Problem: Reasoning-Tokens verdrängten das eigentliche Ausgabe-Kontingent. Einmal blieben 1510 Tokens, einmal 941, einmal 1614. Das klingt technisch, ist im Alltag aber banal übersetzbar: Das Modell verbringt zu viel Zeit und Budget damit, sich vorzubereiten, und liefert dann die Dokumentation nur noch gekürzt aus. Für Produktdokumente, Migrationsanleitungen oder Betriebs-Runbooks ist das ein reales Risiko. Wer eine Anleitung mittendrin abgeschnitten bekommt, hat keinen halben Sieg, sondern im Zweifel einen teuren Fehler.

Content Transformation: starkes Handwerk, langer Schatten

Content Transformation ist mit 77.83 Punkten eine der klaren Stärken. Das ist verdient. Das YouTube-Tutorial-Protokoll zeigt ein Modell, das komplexe Produktionsvorgaben nicht nur erfüllt, sondern in ein nahezu sendefertiges Skript gießt: Analyse in der vorgegebenen Länge, vollständige Zeitmarken, Screen-Cues, Retention-Elemente, Easter Egg, nachvollziehbare Why-Erklärungen. Das ist kein Zufallstreffer, sondern solides Transformationshandwerk.

Auffällig ist dabei, dass das Modell selbst unter hoher Detaillast die Struktur hält. Die eine kleine Timing-Abweichung beim Pattern Interrupt ist verkraftbar. Hier arbeitet Qwen3.8-2.4T-A95B so, wie man es sich von einem agentisch geprägten Langkontext-Modell wünscht: Es behält den Produktionsrahmen im Kopf und vergisst die Nebenbedingungen nicht.

Aber auch hier bleibt der Denkmodus nicht folgenlos. In einer Content-Transformation-Aufgabe hat interner Reasoning-Verbrauch das Ausgabe-Kontingent eingeschränkt. Der Score-Abzug kommt also nicht aus inhaltlichem Versagen, sondern aus dem strukturellen Problem dieses Modells: Es denkt luxuriös und rechnet die Rechnung dem sichtbaren Output an.

Cultural Intelligence: sauber, aber nicht fein ziseliert

Cultural Intelligence ist mit 77.84 Punkten überzeugend. Hier zeigt Qwen3.8-2.4T-A95B, dass es sprachlich und kulturell nicht stumpf unterwegs ist. Es hält die deutsche Zielsprache zuverlässig ein, erkennt problematische Begriffe und ersetzt sie regelkonform. Im Detail fehlt ihm gelegentlich die idiomatische Eleganz der besten Antworten, aber es kippt nicht in peinliche Unbeholfenheit.

Gerade für deutschsprachige Business-Texte ist das wichtig. Das Modell ist nicht der große Stilist. Es ist eher der korrekte, gewissenhafte Redakteur, der Tonprobleme sieht, aber nicht immer die schönste Wendung findet. Für viele Unternehmenskontexte reicht das. Für markenprägende Kommunikation eher nicht.

API-Kostenprofil

Qwen3.8-2.4T-A95B ist ein Cloud-Open-Weights-Modell. Deshalb ist seine Ausgabemenge nicht nur eine Stilfrage, sondern unmittelbar eine Kostenfrage. Und hier tritt das Modell auf, als sei Output gratis.

Im CLI-Bereich produziert es durchschnittlich 5876 Tokens bei einem Fleet-Median von 314. Das entspricht dem 18.71-Fachen des Schnitts aller getesteten Modelle. In Code Quality sind es 13868 Tokens bei einem Fleet-Median von 2906, also Faktor 4.77. In UX Writing fallen 9679 Tokens gegenüber einem Median von 1511 an, was dem 6.41-Fachen entspricht. Auch Documentation Quality mit 11679 zu 2966 und Content Transformation mit 8013 zu 1790 liegen massiv über dem Feld.

Das wäre leichter zu verzeihen, wenn die Qualität proportional stiege. Tut sie aber nicht. In mehreren Modulen produziert das Modell erheblich mehr Text und scheitert trotzdem an Vollständigkeit oder Präzision. Für API-Einsatz heißt das sehr konkret: höhere Kosten bei oft nur durchschnittlichem Mehrwert. Bei den hinterlegten Preisen von 2 Dollar pro Million Input-Tokens und 6 Dollar pro Million Output-Tokens ist das kein theoretischer Schönheitsfehler, sondern eine Budgetfrage mit Ansage.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist dieses Modell datenschutzrechtlich kein beiläufiges Detail, sondern eine rote Akte. Das berechnete Sovereign Risk liegt bei HIGH. Die Begründung ist doppelt klar: Die Gewichte stammen vom Qwen Team bei Alibaba Cloud in China, und der Provider-Kontext unterliegt chinesischem Recht, konkret PIPL, CSL und DSL.

Als Datenstandort ist China angegeben. Eine verifizierte Auftragsverarbeitungsvereinbarung nach DSGVO ist nicht bekannt; der DPA-Status steht auf unknown. Die Datenspeicherungsdauer ist ebenfalls nicht belastbar ausgewiesen und steht mit -1 Tagen faktisch als unbekannt im Raum. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das ein ernstes Compliance-Hindernis. Ohne klaren DPA und ohne EU-Angemessenheitsbeschluss wird aus technischer Eignung noch lange kein freigegebener Unternehmenseinsatz.

Wichtig ist auch die Unterscheidung zwischen Deployment und Provenienz. Selbst wenn man das Modell über einen anderen Cloud-Zugang nutzt, bleibt das Weights-Provenienz-Risiko hoch, weil die Herkunft der Gewichte bei Alibaba in China liegt. Das ist keine politische Fußnote, sondern Teil des Risikoprofils.

Fazit

Qwen3.8-2.4T-A95B ist ein eigensinniges, großes Denkmodell mit echter Substanz und einem Hang zur Selbstsabotage. Es kann planen, es kann Sicherheitsprobleme erkennen, es kann komplexe Transformationsaufgaben bemerkenswert gut in Form bringen. Seine CLI- und Tool-Nähe ist stark, sein Cultural- und Content-Profil ordentlich bis gut. Aber bei Documentation Quality und vor allem UX Writing fällt es zu hart ab, und die Kombination aus hoher Verbosität, kritischer Tail-Latenz und zehn Ausfällen in 49 Tests ist für produktive Ketten schlicht zu laut, um ignoriert zu werden.

Für agentische Batch-Workflows mit Nachkontrolle ist das Modell interessant. Für interaktive Assistenz, zuverlässige Dokumentationspipelines oder sprachlich feine Endnutzertexte ist es in dieser Form zu unruhig. Das Grundproblem ist nicht mangelnde Intelligenz, sondern mangelhafte Haushaltsführung: zu viel internes Denken, zu wenig verlässliche Lieferung. Über alle Tests hinweg keine nennenswerten Halluzinationen — Qwen3.8-2.4T-A95B scheitert eher an Überbau und Abrisskante als an Fantasie.

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.