Qwen 3.8 unterliegt 3.6 im NVFP4-Test
Qwen 3.8Qwen 3.6NVFP4
Was der Test tatsächlich zeigte
Für mich ist das wichtigste Ergebnis dieses Vergleichs unerquicklich praktisch: Qwen 3.8 schaffte es dort nicht in die Produktion, wo Qwen 3.6 Format und Fakten bereits zuverlässig einhält. Ein Praxisbericht des Nutzers 438528858 beschreibt die Analyse von Callcenter-Anrufen in einer einzigen Anfrage bei deaktiviertem Thinking. Nach einer Woche Testbetrieb entschied sich der Autor, die funktionierende Version nicht auszutauschen.
Die Last war klar definiert: durchschnittlich rund 10.000 Input-Tokens einschließlich Transkript und Prompt, anschließend 400 bis 500 Tokens Analyse als JSON. Verglichen wurden 200 Anrufe mit demselben Prompt. Qwen 3.8 erzeugte 10 fehlerhafte JSON-Ausgaben, Qwen 3.6 dagegen keine einzige.
Das Format war nicht das einzige Problem. Nach Beobachtung des Testautors verdrehte 3.8 häufiger Fakten und zog Schlussfolgerungen, die im ursprünglichen Transkript nicht enthalten waren. Für die Anrufanalyse ist das schlimmer als ein bloßer stilistischer Qualitätsverlust: Valides JSON lässt sich automatisch prüfen, ein selbstsicher verfälschter Fakt kann jedoch leicht durch die gesamte Pipeline gelangen.
Es gibt einen wichtigen Vorbehalt: Verglichen wurden nicht die Originalmodelle, sondern stark komprimierte Builds, unsloth/Qwen3.8-27B-NVFP4 und sakamakismile/Qwen3.6-27B-Text-NVFP4-MTP. Die Hardwarekonfiguration des Autors unterstützt native NVFP4-Berechnungen, weshalb dieses Format für seinen Anwendungsfall entscheidend ist. Die Ursache für das schlechtere Abschneiden wurde bislang nicht von der Qualität des konkreten Builds und der Quantisierung selbst getrennt.
Thinking war im Test deaktiviert. Das ist ein wesentlicher Punkt: Ein möglicher Vorteil von Qwen 3.8 im Thinking-Modus löst nicht die Anforderungen einer Single-Pass-Pipeline, die vorhersehbare Latenz, Faktentreue und eine strikte Antwortstruktur benötigt.
Warum das Update noch nicht wie ein Upgrade aussieht
Das Fazit ist eng gefasst, aber nützlich: In diesem NVFP4-Szenario erwies sich Qwen 3.6 als die sicherere Produktionskomponente. Zehn fehlerhafte Antworten kann ein Validator abfangen, doch häufigere Faktenverfälschungen erfordern eine separate Inhaltsprüfung und zehren den Vorteil eines Modellwechsels schnell auf.
Ich würde zunächst drei mögliche Fehlerquellen trennen: das Verhalten des Basismodells, die Qualität der NVFP4-Quantisierung und Besonderheiten des konkreten Repacks. Dieser Test beweist nicht, dass 3.6 allgemein besser als 3.8 ist, zeigt aber deutlich die Kosten eines vorschnellen Updates allein aufgrund einer Versionsnummer.
Die entscheidende offene Frage ist derzeit nicht, ob Qwen 3.8 insgesamt stärker ist, sondern ob ihr Vorteil nach der Komprimierung und ohne den Modus, auf den sie möglicherweise angewiesen ist, erhalten bleibt.