Union Alpha und Laguna führen in einem unvollständigen Test

Was der erste Modelldurchlauf zeigte

Ich würde dies noch nicht als Ranking bezeichnen, doch das erste Bild ist bereits interessant: Union Alpha und Laguna-S-2.1 schnitten besser ab als die übrigen Modelle. Die Primärquelle ist hier weder eine Modellkarte noch ein standardisierter Benchmark, sondern die Notizen eines Entwicklers aus einer veröffentlichten Diskussion über einen realen, unvollständigen Testlauf.

Getestet wurden Union Alpha, Nex-N2.5-Pro, Dots-3-Note, Laguna-S-2.1, Cohere North-mini-code, Nemotron-3-Ultra, Gemma-4-31B und GLM-5.2. Letzteres lief ohne Tool Calling und mit einem Kontextfenster von 32K. Der Durchlauf musste wegen eines Gewitters und der Trennung der Computer vom Stromnetz abgebrochen werden. Die Ergebnisse spiegeln daher nur den Stand zum Zeitpunkt des Abbruchs wider.

Union Alpha war langsam, arbeitete aber weiter. Laguna-S-2.1 wirkte qualitativ überzeugend, wurde jedoch von einem instabilen Anbieter ausgebremst. Das ist ein wichtiger Unterschied: In einem praktischen Szenario kann ein Modell, das etwas schlechter antwortet, aber verlässlich verfügbar ist, manchmal nützlicher sein als ein stärkeres Modell hinter einer unzuverlässigen API.

Nex-N2.5-Pro wurde vorsichtig als vielversprechend bewertet. Cohere North-mini-code erschien schwach, Dots-3-Note scheiterte bei großem Kontext, und zu Nemotron-3-Ultra ließ sich wegen des instabilen Anbieters keine Aussage treffen. Gemma-4-31B und GLM-5.2 schnitten in diesem Durchlauf schlecht ab, wobei die Ursachen nicht einzeln untersucht wurden.

In der Diskussion wurde außerdem die Hypothese geäußert, dass ein anderes System, JEV, auf Qwen 2.5 mit 14B basieren könnte; das 32K-Fenster wurde als indirekter Hinweis genannt. Das ist eine OSINT-Rekonstruktion und keine bestätigte Architektur. JEV selbst hatte der Teilnehmer zu diesem Zeitpunkt noch nicht getestet.

Warum Stabilität wichtiger ist als eine schöne Modellliste

Die wichtigste praktische Erkenntnis ist einfach: Ein solcher Durchlauf misst nicht nur die Intelligenz eines Modells, sondern den gesamten Weg bis zur Antwort. Anbieter, Latenz, die Beibehaltung langer Kontexte und die Verfügbarkeit von Tool Calling können das Ergebnis stärker verändern als Unterschiede in der abstrakten Generierungsqualität.

Union Alpha gewinnt diese vorläufige Runde nicht durch Geschwindigkeit, sondern weil es weiter antwortete. Laguna-S-2.1 wirkt wie ein starker Kandidat, doch der instabile Zugang macht es für lange agentische Aufgaben riskant. Dots-3-Note hat bereits eine konkretere Grenze gezeigt: Mit wachsendem Kontext treten Probleme auf.

Im nächsten Durchlauf würde ich zunächst Modellfehler von Anbieterfehlern trennen und anschließend dieselben Aufgaben mit fester Kontextlänge wiederholen. Andernfalls wird eine schwache API leicht für eine schwache LLM gehalten und eine zufällig gute Antwort für dauerhaft stabile Qualität.

Dies ist noch kein endgültiges Urteil, sondern eine hilfreiche Momentaufnahme der technischen Realität: Ein Modell wird als Teil eines Gesamtsystems ausgewählt, und der Name am Endpoint sagt oft weniger aus als sein Verhalten nach mehreren Stunden Arbeit.

Zuvor haben wir kostenlose KI-Tools für Besprechungszusammenfassungen nach Genauigkeit, Einschränkungen der Gratisstufe und Halluzinationsrisiko verglichen. Diese Bewertung ergänzt den Stresstest, weil sie zeigt, warum reale Betriebsbedingungen ebenso wichtig sind wie Benchmark-Ergebnisse.