Qwen 3.8 27B

Mit einem Gesamtscore von 74.61% ist Qwen 3.8 27B ein eigensinniger Generalist der Workstation-Klasse: dicht gebaut, 27,8 Milliarden Parameter voll aktiv, auf dem Papier breit aufgestellt und im Benchmark tatsächlich mit klarer technischer Schlagseite. Der Speed Profile Badge Batch Tool Expert passt erstaunlich gut: Dieses Modell will arbeiten, analysieren, strukturieren, tabellieren, aber selten elegant auf den ersten Schlag. Seine besten Momente liegen in Logik, Code-Nähe und Werkzeugdenken. Seine schlechtesten dort, wo knappe Formtreue wichtiger ist als gedanklicher Überschuss. Sovereign Risk: HIGH — der Provider-Kontext Alibaba unterliegt chinesischer Jurisdiktion; bei Cloud-Nutzung entstünde damit ein konkretes Drittland- und Souveränitätsrisiko, auch wenn dieser Testlauf lokal mit offenen Gewichten erfolgte.

Kopfnoten: Stabilität und Zuverlässigkeit

Diese Kopfnoten sind mehr als Statistik. Für ein lokales Open-Weights-Modell dieser Klasse ist eine solche Streuung kein Schönheitsfehler, sondern ein Praxismerkmal. Qwen 3.8 27B kann viele Aufgaben gut lösen, aber nicht mit der Gelassenheit eines Modells, das man blind in einen unbeaufsichtigten Agentenlauf wirft. Wer Verlässlichkeit braucht, muss hier mit Retrys, Zeitpuffern und sauberem Task-Splitting planen.

Architektur und Charakter: viel Anlage, nicht immer viel Disziplin

Die vorab vergebene Kategorisierung trifft den Kern erstaunlich präzise. Qwen 3.8 27B ist als Generalist eingestuft, trägt aber deutlich den Geruch eines technisch trainierten Modells: Coder, agentisch, long-context-fähig, reasoning-tauglich, multimodal. Gleichzeitig lief dieser konkrete Benchmark im Modus Standard, also ausdrücklich ohne aktivierten Thinking-Modus. Das ist wichtig, weil es den Maßstab verschiebt: Man bewertet hier nicht die maximal denkfreudige Version, sondern die nüchternere Werkbank-Variante.

Gerade deshalb fällt das Ergebnis interessant aus. Für ein dichtes Workstation-Modell im Standard-Modus liefert Qwen 3.8 27B starke Logikwerte, brauchbare Tool-Nähe und eine insgesamt respektable Breite. Es antwortet nicht wie ein schlichter Befehlsempfänger, sondern wie ein Modell, das oft noch einen halben Schritt weiterdenken will als verlangt. Das ist in Security-Audits und Strukturanalysen ein Vorteil. In streng formatierten Rewrite-Aufgaben wird genau diese Eigenschaft zum Problem. Qwen ist kein chaotisches Modell. Es ist ein Modell mit intellektuellem Bewegungsdrang, das gelegentlich an der Leine zerrt.

Der Vergleich mit dem zweiten vorliegenden Lauf desselben Modells schärft dieses Bild. Die Thinking-Variante kommt auf 77.44% und spielt sichtbar stärker in Code, Dokumentation und tieferer Analyse, zahlt dafür aber mit noch batchigerem Charakter. Der Standard-Lauf hier ist direkter, in der Logik sogar leicht stärker, wirkt aber weniger ausgearbeitet. Man bekommt also nicht zwei Qualitätsstufen, sondern zwei Temperamente.

Geschwindigkeit und Effizienz: batchig, ausführlich, nicht sparsam

Der Badge Batch Tool Expert ist nicht bloß Etikett, sondern Verhaltensbeschreibung. Qwen 3.8 27B ist auf dem Testsystem kein Modell für den nervösen Dialog mit halben Sekunden Toleranz. Es arbeitet eher wie ein gründlicher Kollege, der erst die Schubladen sortiert und dann antwortet. Für Hintergrundjobs, Analyse-Pipelines, Code-Reviews oder Dokumentationsarbeit ist das akzeptabel. Für hektische Live-Interaktion ist es die falsche Persönlichkeit.

Die Token-Effizienz bestätigt diesen Eindruck. In praktisch allen nicht befreiten Modulen produziert Qwen deutlich mehr Text als der Median der getesteten Modelle. Besonders auffällig ist UX Writing mit 4319 Tokens gegenüber 1577 im Fleet-Median, also Faktor 2.74. Cultural Intelligence liegt bei Faktor 3.22, CLI bei 2.14, Code Quality bei 1.81, Dokumentation bei 1.74 und Content Transformation bei 1.73. Das ist kein Score-Problem, wohl aber ein Effizienzproblem. Bei einem lokalen Modell bedeutet mehr Text vor allem mehr Wartezeit. Qwen löst manche Aufgaben korrekt, redet dabei aber wie jemand, der auf jede Ja-Nein-Frage erst ein Memo schreibt.

Im konkreten lokalen Testlauf auf einem ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) zeigt sich damit ein klares Nutzungsprofil: Das Modell ist für gründliche Batch-Arbeit plausibler als für latenzkritische Interaktion. Das ist keine Schande. Es ist nur etwas, das man vor dem Produktiveinsatz wissen sollte.

Reasoning und Logik: stark, aber nicht immer gehorsam

Im Logical-Reasoning-Bereich gehört Qwen 3.8 27B zu den überzeugenderen lokalen Modellen seiner Klasse. Die Logik sitzt. Im klassischen Zwei-Wächter-Rätsel findet es die richtige selbstreferenzielle Frage, prüft beide Fälle sauber durch und erklärt die Lösung nachvollziehbar. Der Judge bemängelt dort nicht das Denken, sondern nur die Präsentation: weniger didaktische Eleganz als im Referenzmuster, keine Visualisierung, etwas redundante Struktur. Das ist ein Luxusproblem. Wichtig ist: Das Modell denkt korrekt.

Diese Stärke passt zur Architektur-Einstufung. Obwohl der Testlauf ohne aktiviertes Thinking stattfand, wirkt Qwen im Reasoning nicht flach, sondern innerlich vorverdacht. Sichtbare <thought>-Strukturen kann es sauber bedienen, wenn die Aufgabe das verlangt. Gleichzeitig zeigt sich hier eine relevante Schwäche im Instruction-Following: In einer metakognitiven Aufgabe antwortete das Modell trotz expliziter Deutschvorgabe auf Englisch. Das Modell ignorierte die Sprachanweisung und antwortete auf Englisch. In produktiven Umgebungen mit fixer Zielsprache ist das kein folkloristischer Ausrutscher, sondern ein echtes Einsatzrisiko.

Dazu kommt der automatische Hard-Constraint-Befund: In einer Aufgabe im Reasoning-Bereich verletzte Qwen die explizite Sprachvorgabe Deutsch und zog sich damit einen regelbasierten Abzug zu. Die inhaltliche Qualität der Antwort ist dabei zweitrangig. Solche Strafen greifen unabhängig davon, ob das Denken korrekt war. Genau das macht sie praxisrelevant: Wer in einem Compliance-, Support- oder Publishing-Kontext die falsche Sprache ausliefert, ist schlicht durchgefallen.

Unterm Strich bleibt der Reasoning-Eindruck dennoch gut. Qwen 3.8 27B ist kein Blender. Wenn es scheitert, dann häufiger an Gehorsam als an Logik. Das ist fast sympathisch. Fast.

Code Quality und Security: fachlich belastbar, synthetisch noch nicht scharf genug

Im Code-Quality-Audit zeigt Qwen 3.8 27B seine technische Herkunft. Der Security-Blick ist klar, die Tabellenausgabe funktioniert, die Struktur sitzt. Im protokollierten PHP-Audit identifiziert das Modell 15 Schwachstellen, wo das Referenzmuster 19 nennt. Das ist kein Debakel, aber auch kein Volltreffer. Die erkannten Lücken sind großteils richtig eingeordnet, inklusive SQL Injection, Session Fixation, Path Traversal, schwacher Token-Generierung, Type Juggling, IDOR und CSRF. Auch die Fix-Vorschläge sind brauchbar. Das ist mehr als oberflächliches Buzzword-Bingo.

Was fehlt, ist die zweite Ebene. Qwen katalogisiert ordentlich, synthetisiert aber nicht aggressiv genug. Gerade bei Security will man nicht nur die Liste der Risse sehen, sondern das Tragbild des Hauses. Das Referenzmuster baut Angriffsketten, beschreibt Kaskadenrisiken und benennt klar die Produktionsuntauglichkeit des Gesamtsystems. Qwen bleibt hier beim Befund, nicht beim Urteil. Ein Mensch mit Sicherheitsverantwortung bekommt solide Vorarbeit, aber noch keinen Schlussakkord.

Bemerkenswert ist auch die leichte Fehlkalibrierung bei einzelnen Schweregraden. Ein Auth-Bypass über lose Vergleiche in PHP ist kein gewöhnliches „High“, sondern eine Einladung zum Einbruch. Wer so etwas milder etikettiert als nötig, zeigt nicht Unwissen, sondern mangelnde Härte im Risikobild. Für einen Security-Reviewer ist das ein Unterschied mit Zähnen.

Trotzdem: Für ein generalistisches Workstation-Modell mit starkem Technikprofil ist die Leistung gut. Qwen 3.8 27B versteht Code nicht nur syntaktisch, sondern semantisch genug, um reale Risiken zu erkennen. Es ist damit als Erstprüfer, Code-Reviewer und Schwachstellen-Screener brauchbar. Nur die letzte Instanz spielt es noch nicht.

Tool- und CLI-Nähe: sehr brauchbar, aber nicht nervenstark

Der CLI-Bereich gehört klar zu den besseren Seiten des Modells. Der Score signalisiert handfeste Tool-Kompetenz, und das passt zum agentischen Zuschnitt. Qwen 3.8 27B denkt in Schritten, Listen und operativen Sequenzen. Für Shell-nahe Aufgaben, strukturierte Arbeitsabläufe und technische Exekutionsplanung ist das ein echter Pluspunkt. Das Modell scheint weniger daran interessiert, brillant zu formulieren, als daran, eine Aufgabe in verwertbare Operationen zu zerlegen. Genau das will man in diesem Bereich sehen.

Allerdings bleibt der batchige Charakter auch hier sichtbar. Die hohe Ausführlichkeit ist im CLI-Kontext nicht immer hilfreich. Wer einen präzisen Befehl will, bekommt mitunter den Befehl plus Begründung plus Kontext plus Warnhinweis. Das ist für Lernende angenehm, für automatisierte Ketten aber Ballast. Ein agentisches Modell darf planungsstark sein. Es darf nur nicht vergessen, dass manchmal ein Einzeiler die ganze Poesie sein sollte.

Content Transformation und UX Writing: gute Ideen, schwache Zucht

Hier zeigt sich die Schattenseite des Modells am deutlichsten. Qwen 3.8 27B kann Inhalte intelligent transformieren, erkennt fehlende Hooks, Strukturdefizite, Produktionshinweise und CTA-Lücken. In der protokollierten Videoskript-Aufgabe liefert es sogar ein funktional starkes, produktionstaugliches Format mit Zeitmarken, visuellen Cues und sauberem Ablauf. Der Judge nennt das zu Recht gut nutzbar. Und dann schießt sich das Modell ins Knie: Der eigentliche Script-Text ist überwiegend auf Englisch, obwohl Deutsch verlangt war.

Das ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content- und Reasoning-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung. In einer Videoskript-Aufgabe im Content-Transformation-Modul und in einer metakognitiven Reasoning-Aufgabe antwortete Qwen auf Englisch statt auf Deutsch. Das ist strukturell, nicht zufällig.

Auch der automatische Constraint-Befund im Content-Modul ist deshalb hart zu gewichten. In einer Aufgabe im Content-Transformation-Bereich verletzte das Modell die explizite Sprachvorgabe Deutsch. Die Strafe greift unabhängig von der inhaltlichen Güte. Das ist wichtig, weil die inhaltliche Güte hier durchaus vorhanden war. Qwen scheitert nicht, weil es nichts zu sagen hätte. Es scheitert, weil es die Hausordnung nicht immer ernst nimmt.

Hinzu kommt ein zweites Muster, das gerade im UX- und Rewrite-Kontext stört: Das Modell liefert ungefragt Begründungen, obwohl nur der umgeschriebene Zieltext verlangt war. Der Judge beschreibt das sehr klar. Die Überarbeitung selbst ist professionell und inklusiv, aber Qwen kommentiert seine eigene Arbeit mit. Das ist intellektuell nett und praktisch falsch. Bei Mikrocopy, UX-Texten und Transformationen gilt oft: Die beste Antwort ist diejenige, die verschwindet. Qwen möchte dagegen gern zeigen, dass es die Aufgabe verstanden hat. Das ist menschlich. Für Benchmarks ist es ein Verstoß.

Dokumentation und Kulturverständnis: kompetent, aber mit Hang zum Aufsatz

In Documentation Quality liefert Qwen 3.8 27B solide bis starke Arbeit. Der Bereich profitiert von der Fähigkeit des Modells, Informationen zu gliedern und technische Sachverhalte nachvollziehbar aufzubereiten. Gerade ein dense Workstation-Modell mit 262K Kontextfenster sollte hier liefern, und Qwen tut das auch. Es ist nicht das eleganteste Dokumentationsmodell im Feld, aber eines, das den Stoff ernst nimmt und selten oberflächlich abkürzt.

Cultural Intelligence fällt differenzierter aus. Positiv ist die sichere sprachliche Hand im Deutschen, wenn das Modell die Sprachvorgabe annimmt. Es kann toxische oder unausgewogene Formulierungen professionell bereinigen, inklusive Nuancen bei Inklusivität und Tonlage. Negativ ist erneut die Disziplinfrage: Statt nur den geforderten Zieltext zu liefern, erklärt Qwen mitunter noch seine Entscheidungen. Das ist im Coaching hilfreich, in Produktions-Workflows störend. Ein gutes Lektorat soll redigieren, nicht nach jedem Satz einen Werkstattbericht beilegen.

Datenschutz und Datenhoheit

Für diesen konkreten Benchmark-Lauf als lokales Open-Weights-Modell ist die Lage deutlich günstiger als bei einer Cloud-Nutzung: Die Gewichte stammen von Alibaba, sind unter Apache-2.0 veröffentlicht und wurden lokal betrieben, es fand also keine Datenübertragung an den Hersteller statt. Das Weights-Provenienz-Risiko bleibt dennoch MEDIUM, weil der Ursprung in einer chinesischen Jurisdiktion liegt; praktisch wird dieses Risiko durch die offene Lizenz und den Offline-Betrieb stark entschärft. Zur Deployment-Infrastruktur des lokalen Betriebs gibt es damit keinen zusätzlichen Provider-Zwang, aber der Herstellerkontext bleibt für Unternehmen mit strikter Lieferkettenprüfung relevant.

Fazit

Qwen 3.8 27B ist ein starkes lokales Technikmodell mit Charakter und Reibung. Als dichter Generalist der Workstation-Klasse liefert es für Code, CLI, Security-Befunde und logische Aufgaben ein ernstzunehmendes Leistungsniveau. Sein Standard-Lauf erreicht 74.61% und wirkt wie die direktere, knappere Schwester des Thinking-Laufs, der mit 77.44% noch analytischer und in der Breite etwas stärker ausfällt. Wer Qwen einsetzt, bekommt kein leutseliges Chat-Accessoire, sondern ein Arbeitsmodell: strukturiert, fachlich oft treffsicher, manchmal störrisch gegenüber knappen Formvorgaben.

Die Schwächen sind dabei sehr klar benennbar. Sprachinstruktions-Compliance ist nicht verlässlich genug. Formatgehorsam in Rewrite- und Microcopy-Aufgaben ist wechselhaft. Die Stabilität ist nur mittel, die Tail-Latenz kritisch, die Verbosität in mehreren Modulen deutlich erhöht. Für unbeaufsichtigte, strengsprachige Publishing- oder Agenten-Workflows ist das zu viel Eigensinn. Für technische Analyse, lokalen Code-Review, Dokumentation mit menschlicher Nachkontrolle und reasoning-lastige Wissensarbeit ist Qwen 3.8 27B dagegen ein überzeugendes Angebot. Über alle Tests hinweg keine nennenswerten Halluzinationen. Das Modell erfindet lieber zu wenig als zu viel, und das ist in dieser Gewichtsklasse ein erfreulich erwachsener Zug.

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.