Qwen 3.8 27B Uncensored (Thinking)

Mit einem Gesamtscore von 79.75% liefert Qwen 3.8 27B Uncensored einen bemerkenswert ernsten Auftritt ab: ein generalistisches Workstation-Modell mit 27.8 Milliarden dichten Parametern, aktiviertem Thinking-Modus und einem klaren Hang zu analytischer Arbeit statt zu Showeffekten. Der Speed Profile Badge lautet Unusable Tool Expert. Das klingt härter, als der Gesamteindruck ist, beschreibt aber präzise den Charakter dieses Laufs: stark im Denken, streckenweise gut im Werkzeugkontext, im praktischen Antwortverhalten jedoch zu zäh und zu instabil für einen sorglosen Dauerbetrieb. Als multimodales Modell muss man zudem fair bleiben: Dieser Text-Benchmark misst nur einen Teil seiner Anlagen, nicht seine Bild- und Video-Seite.

Kopfnoten: Stabilität und Zuverlässigkeit

Diese Kopfnoten sind der eine Befund, über den man nicht elegant hinwegschreiben kann. 22 Aussetzer in 49 Tests sind kein Schönheitsfehler, sondern ein realer Einsatzkiller. Wer ein lokales Modell in Agentenketten, Batch-Prozesse oder Entwicklerwerkzeuge einbinden will, braucht vor allem eines: Vorhersagbarkeit. Genau daran fehlt es hier. Man kann gute Antworten verzeihen. Man kann sogar langsame Antworten verzeihen. Aber ein Modell, das signifikant oft einfach wegbricht, verhält sich nicht wie ein Werkzeug, sondern wie ein Kollege mit Funkloch.

Architektur und Einordnung: viel Freiheit, viel Verantwortung

Die vorab vergebene Kategorie passt erstaunlich gut zum Testcharakter. Qwen 3.8 27B Uncensored ist als Thinking-, Uncensored-, Multimodal-, Dense-, Open-Weight-, Local- und Tool-Use-Modell einsortiert. Dieser konkrete Lauf erfolgte tatsächlich im Thinking-Modus, nicht im Standardbetrieb. Das ist wichtig, weil längere Denkpfade, ausführlichere Erklärungen und etwas mehr textuelle Schwere hier keine Marotte sind, sondern Teil des Designs.

Als Generalist soll das Modell nicht nur eine Sache gut können, sondern über die volle Breite funktionieren. Als Workstation-Modell darf man robuste Leistung erwarten, auch im direkten Vergleich mit ernstzunehmenden Mid-Tier-Cloud-Systemen. Und weil es dense ist, sind die 27.8 Milliarden Parameter nicht Marketingdeko, sondern bei jeder Antwort vollständig aktiv. Es gibt hier keinen MoE-Trick, der mit riesiger Gesamtzahl und kleiner aktiver Kapazität blendet. Das erhöht die Erwartung. Und im Kern wird sie auch erfüllt.

Die Uncensored-Metadaten muss man sauber lesen. Der Punkt ist nicht bloß, dass Safety-Refusals reduziert wurden. Entscheidend ist, ob dabei die Fähigkeiten kollabieren. Genau das passiert hier im Benchmark nicht. Im Gegenteil: Das Modell bleibt in Reasoning, Code-Analyse und strukturierten Fachaufgaben erstaunlich intakt. Das ist die gute Nachricht. Die schlechte ist, dass Freiheit ohne Disziplin eben nicht nur weniger Sperren bedeutet, sondern auch weniger Geländer.

Geschwindigkeit und Token-Ökonomie

Dieses lokale Modell wurde nativ auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) evaluiert. Der Speed Profile Badge Unusable Tool Expert sagt in Klartext: eher Batch-Charakter als Dialogfluss, eher Expertise pro Antwort als flotte Interaktion, und im konkreten Lauf so viele Ausreißer, dass der schöne Tool-Use-Anspruch in der Praxis beschädigt wird.

Im Fluss der Antworten zeigt sich das auch jenseits der nackten Kopfnoten. Qwen 3.8 27B Uncensored denkt ausführlich und sichtbar zielgerichtet. Es redet dabei aber nicht sinnlos viel. Im Gegenteil: Die Token-Effizienz ist eine echte Stärke. Kein Modul überschreitet den erwarteten Verbosity-Rahmen. CLI, Content, Cultural Intelligence und UX Writing liegen teils deutlich unter dem Fleet-Median, Documentation praktisch auf Schnitt, Code Quality ebenfalls kontrolliert. Das Modell ist also nicht deshalb schwerfällig, weil es endlos schwafelt. Die Langsamkeit ist Charakter, nicht Geschwätz.

Das ist ein relevanter Unterschied. Ein verschwenderisches Modell kostet Zeit, weil es sich selbst gern reden hört. Dieses hier wirkt eher wie ein präziser, aber schlecht taktender Motor. Die Textmenge bleibt vernünftig. Die Betriebsstabilität nicht.

Reasoning und Logik: ernsthaft, korrekt, nicht ganz elegant

Im Reasoning-Modul spielt Qwen 3.8 27B Uncensored seine Thinking-Natur überzeugend aus. Beim klassischen Zwei-Wächter-Rätsel liefert es die richtige Lösung, strukturiert die Herleitung sauber, bleibt durchgehend auf Deutsch und präsentiert die Logik in nachvollziehbarer Form. Besonders gelungen ist die visuelle Aufbereitung mit Tabelle und Begründungsabschnitt. Das ist kein Modell, das nur die richtige Antwort errät. Es zeigt seine Arbeit.

Die Schwäche liegt nicht in der Korrektheit, sondern in der Tiefe der Alternativbetrachtung. Der Judge moniert plausibel, dass verschiedene Lösungswege zwar angerissen, aber nicht voll entwickelt werden. Das ist ein feiner, aber wichtiger Unterschied. Ein gutes Reasoning-Modell löst das Problem. Ein sehr gutes zeigt auch, warum andere Wege scheitern oder welche semantisch ähnlichen Fragen dieselbe Logik tragen. Qwen 3.8 27B Uncensored ist hier gut, aber nicht opulent.

Im größeren Bild bleibt der Befund positiv. Der Reasoning-Score von 78.43% ist für ein lokales Workstation-Modell dieser Klasse ein starkes Signal. Dass die uncensored-Ausrichtung die Denkfähigkeit nicht zerlegt hat, ist keine Kleinigkeit. Viele offene Derivate verlieren genau dort die Fassung. Dieses nicht.

Code Quality: fachlich scharf, manchmal zu breit statt zu präzise

Im Code-Quality-Bereich zeigt das Modell, warum offene 27B-Klassen inzwischen für ernsthafte Sicherheits- und Review-Arbeit relevant sind. Der Score von 84.52% ist kein Zufall. In der Sicherheitsanalyse identifiziert Qwen 3.8 27B Uncensored zentrale Schwachstellen zuverlässig: SQL Injection, XSS, Session Fixation, Path Traversal, IDOR, CSRF, Mail-Header-Injection, schwache Tokens, Typvergleichsfehler. Die Fix-Vorschläge sind technisch brauchbar, die deutsche Fachsprache sitzt, die Tabellenstruktur ebenfalls.

Interessant ist die Form des Fehlers. Das Modell verfehlt nicht die Substanz, sondern die Kalibrierung. Statt die Schwachstellen präzise zu bündeln, splittet es verwandte Probleme in zu viele Einträge auf. Aus 19 erwartbaren Vulnerability-Gruppen werden 24 Tabellenzeilen. Das ist nicht falsch im Sinne von Unsinn. Es ist falsch im Sinne von mangelnder editorischer Disziplin. Wer Security-Review macht, muss nicht nur viel sehen, sondern das Gesehene sauber ordnen. Sonst wächst Erkenntnis in Unübersichtlichkeit um.

Gleichzeitig zeigt derselbe Test eine Stärke, die man höher gewichten sollte als ein paar überzählige Zeilen. Die fünf impliziten oder verdeckten Lücken werden nicht nur erkannt, sondern gut erklärt. Gerade die Ausführungen zu schwachen Reset-Tokens, Session Fixation und sekundärer Injektion haben Substanz. Der Judge lobt sogar Details, in denen das Modell die Referenz punktuell übertrifft, etwa bei konkreten Angriffsketten rund um weiterlaufende Handler-Logik. Das ist kein Blender, sondern ein Modell mit sicherheitstechnischem Instinkt.

Für ein uncensored Modell gilt hier ein mildernder Kontext: Coding und DevSecOps sind nicht sein primärer Daseinszweck. Umso respektabler ist, dass es in diesem Bereich nicht wie ein freigedrehter Rollenspieler auftritt, sondern wie ein brauchbarer Reviewer. Die Qualitätsreserve ist real.

CLI und Tool-Use: starke Planung, ein heikler Hang zur Erfindung

Der CLI-Benchmark fällt mit 89.0% erfreulich stark aus. Das deutet auf gute operative Präzision bei Shell- und Systemaufgaben hin. Kommandostrukturen, Ablaufdenken und technische Direktheit scheinen dem Modell zu liegen. Für ein generalistisches Workstation-Modell ist das ein echter Pluspunkt.

Im Tool-Use-Bereich ist das Bild komplizierter. Der ToolUse-Score von 78.33% wirkt auf den ersten Blick robust. Im Detail steckt jedoch der gefährlichste qualitative Makel des gesamten Berichts. In einer Tool-Use-Aufgabe halluzinierte das Modell Inhalte, die nicht aus dem tatsächlichen Tool-Ergebnis stammten. Der P2-Score wurde deshalb durch eine Halluzinations-Kappung begrenzt. Für content-kritische Aufgaben wie Recherche, faktennahe Reports oder agentische Zusammenfassungen ist das ein disqualifizierendes Signal.

Das ist der klassische Sündenfall moderner Tool-Modelle: Sie holen Daten, aber sie gehorchen ihnen nicht vollständig. Statt aus dem Werkzeugresultat nüchtern abzuleiten, füllen sie Lücken mit plausibler Erfindung. In Smalltalk ist das lästig. In Sicherheits-, Compliance- oder Recherchekontexten ist es Gift. Gerade weil Qwen 3.8 27B Uncensored in vielen Bereichen kompetent wirkt, ist dieser Fehltritt so relevant. Ein souverän klingender Irrtum ist gefährlicher als ein offen sichtbarer.

Content Transformation und UX Writing: zwischen handwerklichem Können und auffälliger Sprachdisziplin-Schwäche

Die größten qualitativen Brüche liegen im Bereich Content Transformation. Der Modulscore von 71.93% ist ordentlich, aber die Rohprotokolle zeigen, warum er nicht höher ausfällt. Inhaltlich kann das Modell viel. Bei der Videoskript-Aufgabe liefert es eine professionell strukturierte, engagement-orientierte Fassung mit Zeitmarken, Screen-Anmerkungen, Produktionshinweisen, Hook, Pattern Interrupt, CTA und sogar Easter Egg. Handwerklich ist das Material brauchbar.

Und dann fährt es den Text in der falschen Sprache gegen die Wand.

In zwei Aufgaben des Content-Moduls ignorierte das Modell die explizite Sprachanweisung und antwortete auf Englisch, obwohl Deutsch verlangt war. Das ist kein isolierter Ausreißer. Über mehrere Aufgaben im Content-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung. Für produktive Umgebungen mit fester Zielsprache ist das ein klares Einsatzrisiko.

In einer der betroffenen Aufgaben überschritt das Modell zusätzlich die explizite Wortvorgabe von 900 Wörtern auf 1524 Wörter, also 169% des Limits. Das System verhängte dafür einen automatischen Abzug von 20% beziehungsweise 15.72 Punkten auf den erreichten Teilscore. Die inhaltliche Qualität der Antwort ist damit irrelevant. Die Strafe greift unabhängig davon. Genau so muss ein harter Constraint auch behandelt werden. Wer Briefings nicht einhalten kann, liefert nicht professionell, sondern bestenfalls inspiriert am Auftrag vorbei.

Der Sprachfehler in denselben Content-Aufgaben zählt zudem als Non-Success-Befund. Das Modell ignorierte die explizite Sprachanweisung und antwortete auf Englisch. Das fließt nicht nur als Stilproblem ein, sondern als echte Instruction-Following-Schwäche. Anders gesagt: Das Modell weiß oft, was zu tun wäre, aber nicht immer, welche Bedingung unverrückbar ist. Für Marketing- und Content-Teams ist das eine tückische Art von Fehler, weil sie in der ersten Minute beeindruckt und in der letzten peinlich wird.

Im UX-Writing ist das Bild milder. Mit 71.55% bleibt Qwen 3.8 27B Uncensored unter den besten Modellen des Feldes, aber nicht wegen grober Patzer, sondern wegen stilistischer Bodenhaftung. Die qualitative Probe zeigt das schön: Aus toxischer oder martialischer Stellenanzeigensprache macht das Modell eine funktional saubere, sichere und deutsche Neufassung. Was fehlt, ist idiomatische Schärfe. Die Referenz arbeitet mit Formulierungen wie „Tatkraft und Leidenschaft“ oder „lösungsorientiert arbeitet sowie Herausforderungen mit Begeisterung begegnet“. Das Modell weicht auf generischere Begriffe wie „Teamgeist“ oder „arbeitsfreudige und teamorientierte Persönlichkeit“ aus. Das ist nicht schlecht. Es ist nur weniger präzise aufgeladen. Im Magazinjargon: kein Ausrutscher, aber etwas zu viel Formular und etwas zu wenig Stimme.

Documentation Quality und Cultural Intelligence: solide, aber nicht die eleganteste Feder

Mit 79.99% in Documentation Quality bleibt das Modell in einem Bereich, den viele offene Systeme unnötig verspielen. Es kann strukturieren, erklären und dokumentieren, ohne das Publikum mit Fachvokabeln zu erschlagen. Gleichzeitig ist es kein Autor mit literarischem Ehrgeiz. Wo die besten Modelle Begriffe schärfen, didaktische Bögen bauen und Beispielwahl bewusst rhythmisieren, arbeitet Qwen 3.8 27B Uncensored eher pflichtbewusst. Das Ergebnis ist brauchbar, nur selten brillant.

In Cultural Intelligence erreicht es 83.6%, also klar überdurchschnittliche Souveränität. Der interessante Punkt hier ist nicht nur die korrekte Entschärfung problematischer Formulierungen, sondern die sprachliche Kontrolle. Das Modell hält Deutsch sauber, wahrt den funktionalen Zweck und bleibt kulturell anschlussfähig. Gleichzeitig scheitert es an einem Detail, das in deutschsprachigen HR-Kontexten inzwischen nicht mehr ganz nebensächlich ist: inklusive Formatierung wie „in/m/w/d“ fehlt in einem Test. Das ist kein Großschaden, aber es zeigt den Unterschied zwischen kulturkompetent und kulturfeinfühlig.

Vergleich der Modi: Thinking lohnt sich hier, aber nicht gratis

Da für dasselbe Modell auch Standard-Läufe vorliegen, lässt sich der Thinking-Modus knapp einordnen. Gegenüber den Standard-Varianten steigt der Gesamtscore dieses Thinking-Laufs sichtbar auf 79.75%, während die Standard-Durchläufe bei 73.86% und 73.38% liegen. Das ist keine kosmetische Differenz, sondern ein echter Leistungssprung. Besonders relevant ist, dass der Charakter damit klarer wird: mehr analytische Schärfe, bessere Fachleistung, stärkere Struktur.

Gratis ist dieser Gewinn nicht. Der Badge bleibt im Bereich „Unusable“, und auch die Antwortcharakteristik wirkt batchiger als interaktiv. Das bestätigt eine bekannte Wahrheit über Reasoning-Modelle: Mehr Denken verbessert die Arbeit oft deutlich, aber nicht den Takt des Arbeitstags. Wer diesen Modus einschaltet, bekommt mehr Urteilskraft und zahlt mit Bedienkomfort.

Datenschutz und Datenhoheit

Für dieses lokale Open-Weights-Modell gibt es keinen Cloud-Zwang im Betrieb. Das ist aus europäischer Sicht ein echter Vorteil, weil sensible Eingaben nicht automatisch an einen fremden API-Anbieter abfließen. Zur Weights-Provenienz bleibt das Bild dennoch nicht völlig sauber: Das ausgewiesene Risiko liegt bei MEDIUM, weil Basis und Community-Derivat aus einer chinesischen Entwicklungslinie stammen und kein Hersteller-Support für diese Variante besteht. Für Unternehmen heißt das praktisch: Der Laufzeitpfad kann lokal und souverän sein, die Lieferkette der Gewichte verlangt trotzdem Vertrauen, Prüfung und idealerweise interne Freigabeprozesse.

Fazit

Qwen 3.8 27B Uncensored ist ein ungewöhnlich fähiges uncensored Lokalsystem. Es beweist, dass weniger Safety-Refusal nicht automatisch weniger Kompetenz bedeuten muss. In Code Quality, CLI, Reasoning und Cultural Intelligence zeigt das Modell echte Substanz. Es ist als generalistisches Workstation-Modell mit dichter 27.8B-Architektur keine Spielerei, sondern ein ernstzunehmendes Werkzeug für analytische Textarbeit, Sicherheitsreview, technische Strukturierung und anspruchsvollere lokale Assistenzen.

Aber man muss zwei harte Warnschilder davorstellen. Erstens: Die Stabilität ist in diesem Lauf katastrophal. 22 Timeouts in 49 Tests disqualifizieren das Modell für unbeaufsichtigte Agenten- oder Produktionspfade. Zweitens: Tool-Use und Content-Compliance sind nicht sauber genug, um blind vertraut zu werden. Eine halluzinierte Tool-Ableitung und wiederholte Sprachverstöße im Content-Modul sind keine akademischen Randnotizen, sondern operative Risiken.

Die richtige Empfehlung lautet deshalb nicht „Finger weg“, sondern „nur mit erwachsener Aufsicht“. Wer lokal arbeiten will, offene Gewichte bevorzugt und im Thinking-Modus echte reasoning-getriebene Qualität sucht, bekommt hier ein bemerkenswert starkes Paket. Wer dagegen ein reibungsloses, verlässliches Arbeitstier für automatisierte Pipelines sucht, sollte sich nicht vom Score blenden lassen. Dieses Modell ist klug. Es ist nur noch kein Uhrwerk.

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.