Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP)

Mit einem Gesamtscore von 70,29 Prozent zeigt Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP) ein klares Profil: ein lokal laufender Generalist der Workstation-Klasse, als MoE-Modell mit 35 Milliarden Gesamtparametern, aber nur rund 3 Milliarden aktiven Parametern pro Token, der eher über Effizienz und Tempo als über majestätische Tiefenschärfe kommen will. Der zugewiesene Architekturrahmen passt erstaunlich gut, nur mit einer wichtigen Präzisierung: Dieses Review bewertet den Lauf im Modus Standard, also mit deaktiviertem Thinking. Man bekommt hier keine ausgebreitete Denkschau, sondern die direkte, alltagstaugliche Variante. Der Speed Profile Badge lautet „Real-Time Tool Expert“. Das ist keine poetische Beigabe, sondern die nüchterne Aussage, dass dieses Modell für schnelle, werkzeugnahe Interaktion gebaut ist, nicht für kontemplatives Langstrecken-Denken. Sovereign Risk: HIGH — der Provider Alibaba unterliegt chinesischer Jurisdiktion; bei Cloud-Nutzung wäre das ein ernstes Drittland- und NSL-Thema, auch wenn dieser konkrete Lauf lokal mit offenen Gewichten erfolgte.

Kopfnoten: Stabilität und Zuverlässigkeit

Was diese Architektur verspricht und was sie tatsächlich liefert

Die Metadaten lesen sich wie ein ambitioniertes Lastenheft: Reasoning, Thinking, Multimodalität, Coding-Fokus, agentische Eignung, Instruct-Tugenden und dazu eine Mixture-of-Experts-Architektur. Das ist viel Anspruch auf einmal. Editorial sauber eingeordnet ist Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP) aber in erster Linie ein Generalist. Genau daran sollte man es messen. Nicht daran, ob es in einzelnen Spezialdisziplinen glänzt, sondern ob es über die ganze Breite hinweg belastbar bleibt.

Das MoE-Design ist dabei der entscheidende Punkt. Die 35 Milliarden Parameter klingen nach Schwergewicht, doch aktiv arbeitet pro Token nur ein Bruchteil davon. Das senkt die operative Kapazität auf ein Niveau, das eher nach schlankem, sehr gut sortiertem Werkzeugkasten aussieht als nach allwissender Bibliothek. Das Modell muss also selektiv klug sein. Wenn es trifft, wirkt es flink und kompetent. Wenn es danebenliegt, fehlt oft genau die zusätzliche Reserve, die dichte größere Modelle in heiklen Aufgaben noch ins Ziel rettet.

Der zweite wichtige Punkt ist der Testmodus. Qwen unterstützt grundsätzlich Thinking, also eine reasoning-lastigere Betriebsart. Hier lief es bewusst im Standard-Modus. Das erklärt die direkte, oft ökonomische Antwortweise und entlastet das Modell von dem Vorwurf, nicht lang genug nachzudenken. Die Frage ist deshalb nicht, warum es keine langen Denkprotokolle liefert. Die Frage ist, wie gut es ohne diese Krücke arbeitet. Die Antwort fällt gemischt, aber interessant aus.

Geschwindigkeit: schnell genug, um nützlich zu sein

Auf dem lokalen Referenzsystem ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) spielt Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP) seine wohl überzeugendste Karte aus: Es wirkt schnell. Der Badge „Real-Time Tool Expert“ passt. Das Modell ist nicht auf epische Textproduktion oder ausufernde Planungsmonologe optimiert, sondern auf zügige, praxisnahe Interaktion mit Werkzeug- und Arbeitskontext.

Wichtig ist dabei der Vergleich mit seiner eigenen Familie. Der hier getestete Standard-Lauf ist im Charakter deutlich alltagstauglicher als die separat gemessene Thinking-Variante desselben Modells. Dort kippt die Figur in Richtung Batch-Betrieb: mehr Nachdenken, mehr Reibung, weniger Taktgefühl. Der Standard-Lauf ist klar die vernünftigere Wahl, wenn man Qwen lokal als Arbeitsmodell einsetzen will. Das ist kein kleiner Unterschied, sondern der Abstand zwischen „hilfreich“ und „warum ist das noch nicht fertig“.

Hinzu kommt die Token-Ökonomie. Über alle gemessenen Module bleibt das Modell im erwarteten Rahmen. Kein Bereich driftet in unnötige Geschwätzigkeit ab. Für ein lokales Modell ist das mehr als eine Stilfrage. Weniger Ausgabe bedeutet hier unmittelbar weniger Wartezeit. Qwen verhält sich token-ökonomisch und spart dem Nutzer jene stille Zeitstrafe, die viele vermeintlich brillante Modelle mit sich bringen.

Reasoning und Logik: korrekt, aber selten elegant

Für ein Modell mit den Tags Reasoning und Thinking ist dieser Bereich heikel. Gerade weil der konkrete Lauf ohne aktiviertes Thinking stattfand, muss man präzise unterscheiden zwischen fehlender Fähigkeit und gewähltem Betriebsmodus. Die gute Nachricht: Qwen kann logisch denken. Die schlechtere Nachricht: Es wirkt dabei nicht immer wie ein Modell, das seine Gedanken bereits sortiert hat, bevor es spricht.

Das qualitative Protokoll zur Wächter-und-Türen-Aufgabe zeigt das sehr sauber. Die Lösung ist richtig. Die Kernlogik stimmt. Das Modell versteht die doppelte Umkehrung und landet bei der klassischen korrekten Frage. Aber es kommt dort nicht mit der Eleganz eines geübten Mathematikers an, sondern eher wie jemand, der unterwegs seine Notizzettel mehrfach umsortiert. Der Judge lobt die Gründlichkeit und kritisiert die Wiederholungen. Das trifft den Punkt. Qwen ist in Logikaufgaben nicht dumm, nur selten schön.

Im Benchmark spiegelt sich das als solide, aber nicht herausragende Reasoning-Leistung. Für Alltagslogik, strukturierte Erklärungen und klassische Schritt-für-Schritt-Probleme reicht das gut. Wer jedoch erwartet, dass ein als Thinking und Reasoning markiertes Modell auch ohne aktivierten Thinking-Modus schon diese letzte Schicht didaktischer Präzision mitbringt, bekommt hier einen Dämpfer. Qwen denkt richtig. Es schreibt das Denken nur nicht besonders edel auf.

Code Quality und Security: fachlich ernst zu nehmen

Im Code- und Security-Bereich zeigt Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP) eine seiner stärkeren Seiten. Das passt zu den Metadaten Coder und Agentic, auch wenn es formal als Generalist einsortiert ist. Das Modell erkennt Sicherheitslücken breit und mit ordentlicher Priorisierung. Im vorliegenden Audit identifiziert es 18 von 19 Schwachstellen, liefert eine saubere Markdown-Tabelle, ordnet Schweregrade sinnvoll zu und schlägt konkrete Fixes vor, die nicht nach Lehrbuchfloskel, sondern nach brauchbarer Entwicklerpraxis aussehen.

Gerade die Treffer bei SQL Injection, Klartext-Passwörtern, IDOR, Path Traversal, Session Fixation und PHP-Typvergleichen sind kein Zufall. Hier zeigt sich, dass die Sicherheitsintuition vorhanden ist. Auch die impliziten, etwas fieseren Befunde erkennt das Modell weitgehend. Das ist die Sorte Kompetenz, die man im Alltag tatsächlich braucht: nicht blendende Originalität, sondern robuste Mustererkennung mit operativ brauchbaren Reparaturvorschlägen.

Die Grenzen sind allerdings sichtbar. Es fehlt eine klar benannte Schwachstelle rund um ablaufende Reset-Tokens. Dazu kommt ein Mangel an strategischer Verdichtung. Das Modell listet gut, aber es erzählt den Angriffsraum nicht mit der Schärfe, mit der ein starker Auditor die Kette vom ersten Einbruch bis zur Eskalation ausrollen würde. Anders gesagt: Qwen ist hier ein guter Befund-Schreiber, nicht automatisch der beste Sicherheitsarchitekt im Raum.

Trotzdem ist das ein Bereich, in dem man dem Modell Respekt zollen muss. Viele flotte Generalisten klingen in Security selbstsicher und sind in Wahrheit nur dekorativ. Qwen ist dekorativ genug für eine Präsentation und nützlich genug für die Werkbank. Das ist mehr, als man über etliche Konkurrenten sagen kann.

CLI und agentisches Arbeiten: brauchbar, aber mit Vertrauensbruch

Die Architektur-Tags Agentic und Coder wecken Erwartungen an Werkzeugnähe. Der Speed-Badge stützt das. In der Praxis liefert das Modell hier einen widersprüchlichen Eindruck. Auf der einen Seite ist die direkte Arbeitsweise passend für CLI- und Tool-Kontexte. Auf der anderen Seite steht ein Befund, der in agentischen Setups schwerer wiegt als ein paar verpasste Stilnoten: Halluzination im Tool-Use.

In einer Tool-Execution-Aufgabe hat das Modell Inhalte erfunden, die nicht aus dem abgerufenen Tool-Ergebnis stammten. Der Score wurde deshalb durch eine Halluzinationsgrenze gedeckelt. Für content-kritische Aufgaben wie Recherche, faktenbasierte Berichte oder automatisierte Auswertung ist das kein kleiner Patzer, sondern ein Vertrauensbruch. Ein agentisches Modell darf beim Werkzeuggebrauch nicht so tun, als habe es Daten gesehen, die nie geliefert wurden. Genau dort beginnt produktiver Schaden.

Dieser Befund muss den gesamten Agentic-Anspruch relativieren. Qwen kann schnell reagieren und offenbar brauchbare Strukturen für werkzeugnahe Aufgaben liefern. Aber sobald die Kette aus Tool-Aufruf und Antwort faktisch bindend wird, braucht es Aufsicht. Das Modell ist eher ein eifriger Praktikant mit guten Händen als ein Notar. Es arbeitet gern, aber man sollte die Belege kontrollieren.

Content Transformation und UX Writing: leistungsfähig, aber nicht durchgehend gehorsam

Im Bereich Content-Transformation zeigt sich ein Muster, das für Instruct-Modelle besonders unangenehm ist: Die Aufgabe wird im Kern verstanden, aber eine explizite Vorgabe kippt unterwegs vom Tisch. Das prominenteste Beispiel ist eine Videoskript-Aufgabe, die ausdrücklich auf Deutsch verlangt war. Qwen lieferte Analyse und Rahmung auf Deutsch, schrieb das eigentliche Skript aber weitgehend auf Englisch. Inhaltlich war das Skript ordentlich gebaut, mit sauberer Taktung, Produktionshinweisen, Hook, CTA und brauchbaren Engagement-Mechaniken. Formell war es trotzdem ein Fehlschlag. In produktiven Umgebungen mit fester Zielsprache reicht so etwas, um einen Workflow direkt scheitern zu lassen.

In einer Aufgabe im Content-Transformation-Bereich verletzte das Modell die explizite Sprachvorgabe Deutsch und antwortete im zentralen Skriptteil auf Englisch. Das System verhängte dafür einen automatischen regelbasierten Abzug. Die inhaltliche Qualität der Antwort ist damit nur noch zweitrangig, weil die Strafe unabhängig vom stilistischen Niveau greift.

Das Modell ignorierte die explizite Sprachanweisung und antwortete auf Englisch. Das ist kein technischer Defekt, sondern eine Schwäche im Instruction-Following. Gerade bei Content-Produktion für Unternehmen, Medien oder interne Kommunikation ist das ein reales Einsatzrisiko, weil der Fehler nicht subtil, sondern sofort öffentlich sichtbar wäre.

Abseits dieses groben Patzers ist das Bild differenzierter. Qwen schreibt funktional, oft klar und strukturiert, aber nicht immer mit jener sprachlichen Selbstverständlichkeit, die starke UX- oder Copy-Modelle auszeichnet. Es wirkt in Textaufgaben eher wie ein guter technischer Redakteur als wie ein natürlicher Markenautor. Das ist kein Makel, solange man es weiß. Wer kreative Mikrocopy oder fein austarierte Tonlagen erwartet, wird eher solide Handwerksarbeit bekommen als funkelnde Präzision.

Cultural Intelligence: korrekt, inklusiv, aber etwas brav

Im kulturell sensiblen Umschreiben problematischer Sprache zeigt Qwen eine vernünftige Hand. Die Entfernung toxischer oder exkludierender Formulierungen klappt. Das Modell macht aus grobem Recruiting-Sprech eine professionelle, inklusive Fassung, ohne in peinliche Übermoralisierung abzugleiten. Das ist schon deshalb wichtig, weil viele Modelle an genau dieser Stelle entweder steril oder anbiedernd werden.

Der qualitative Vergleich zeigt aber auch die Grenze. Qwen trifft die Anforderungen, doch die Goldfassung ist rhetorisch schlauer. Ein Begriff wie „Persönlichkeit“ statt „Fachkraft“ wirkt harmlos, ist im deutschen HR-Kontext aber eben nicht die beste moderne Wahl. Solche Nuancen kosten keine komplette Aufgabe, sie verraten aber den Reifegrad. Qwen ist hier zuverlässig genug, aber nicht die Instanz, die aus einer passablen Überarbeitung eine wirklich zeitgemäße macht.

Mit anderen Worten: Das Modell räumt den Scherbenhaufen ordentlich weg. Es entwirft daraus nicht automatisch schon den schöneren Raum.

Dokumentation: kompetent, aber ohne Glanz

Die Dokumentationsleistung liegt im soliden Bereich. Qwen erklärt strukturiert, bleibt in einem vernünftigen Verhältnis von Detail und Lesbarkeit und neigt nicht zu jener lästigen Überproduktion, die Dokumentation in ein Textmassiv verwandelt. Gerade im lokalen Einsatz ist das angenehm. Man wartet nicht ewig auf Antworten, die am Ende nur noch eigene Wiederholungen enthalten.

Was dem Modell hier fehlt, ist weniger fachliche Substanz als editorische Souveränität. Starke Doku-Modelle schreiben so, dass man beim Lesen das Gefühl hat, die Sache werde leichter. Qwen schreibt eher so, dass man sie vollständig vor sich hat. Das ist respektabel. Es ist nur nicht dasselbe.

Halluzinationen: der eine Treffer sitzt

Weil beim Tool-Use eine konkrete Halluzination nachgewiesen wurde, verdient das Thema einen eigenen Befund. Man sollte den Fehler weder aufblasen noch kleinreden. Über große Teile des Benchmarks wirkt Qwen nicht als fabulöser Schwätzer. Der dokumentierte Ausfall sitzt aber ausgerechnet in einem Bereich, in dem Halluzination nicht nachträglich charmant erklärt werden kann. Wer Tool-Ergebnisse referenziert, muss sie treu referenzieren.

Für Entwickler, Analysten und Teams, die Agenten-Workflows bauen, ist das die entscheidende Warnung. Qwen ist schnell genug für operative Ketten und gut genug, um Vertrauen zu erzeugen. Genau deshalb ist diese Halluzination gefährlich. Nicht weil sie ständig passiert, sondern weil sie glaubwürdig aussieht.

Datenschutz und Datenhoheit

Dieser Testlauf nutzte offene Gewichte lokal, nicht eine Cloud-API. Für den konkreten Einsatzfall ist das der entscheidende Entlastungsfaktor: Inhalte müssen nicht an Alibaba übertragen werden. Relevant bleibt dennoch die Herkunft der Gewichte. Das Weights-Provenienz-Risiko ist mit MEDIUM eingestuft, weil das Modell vom in China ansässigen Qwen-Team stammt, die Apache-2.0-Lizenz und der vollständig lokale Betrieb das praktische Risiko aber deutlich reduzieren. Wer die Gewichte lokal betreibt, gewinnt echte Datenhoheit zurück. Wer stattdessen auf Alibaba-Deployment ausweicht, landet sofort in einer ganz anderen rechtlichen Landschaft.

Fazit

Qwen 3.6 35B-A3B NVFP4 (vLLM, MoE, MTP) ist ein schnelles, pragmatisches Workstation-Modell mit offenem Gewichtssatz und klar erkennbarem Arbeitscharakter. Es erreicht 70,29 Prozent, weil es in Code, Security und strukturierter Wissensarbeit oft kompetent auftritt, dabei token-ökonomisch bleibt und auf dem Testsystem reaktionsfreudig wirkt. Seine Schwächen sind jedoch nicht kosmetisch. Die Sprachverfehlung in einer deutschen Content-Aufgabe und die dokumentierte Tool-Halluzination sind genau die Sorte Fehler, die in echten Workflows Ärger machen. Für lokale Entwicklerassistenz, Security-Checks erster Ordnung, technische Redaktionsarbeit und schnelle Werkzeugdialoge ist das Modell gut einsetzbar. Für unbeaufsichtigte agentische Recherche oder publizierbare Content-Produktion ohne menschliche Endkontrolle ist es die falsche Wahl.

Im Vergleich zur ebenfalls gemessenen Thinking-Variante desselben Modells ist das hier die klar bessere Alltagsfigur. Der Standard-Lauf ist deutlich schneller und insgesamt stärker, während der Thinking-Lauf trotz längerer Antwortwege im Score zurückfällt und im Charakter schwerfälliger wirkt. Das ist die vielleicht wichtigste Pointe dieses Tests: Bei Qwen ist mehr Denken nicht automatisch mehr Leistung. Manchmal ist es nur mehr Strecke.

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.