Hetzners Gratis-KI im Deutsch-Test: Qwen3.6 an echten Büro-Aufgaben

Nachdem ich Hetzners neue KI-Inferenz-API vorgestellt hatte, blieb eine Frage offen, die mir keine der bisherigen Quellen beantwortet hat: Wie gut ist das angebotene Modell eigentlich im Deutschen? Die existierenden Qwen-Tests messen Benchmarks und englische Aufgaben. Für den Einsatz in einem deutschen Betrieb zählt etwas anderes, nämlich ob das Modell eine Kundenmail versteht, förmlich antworten kann und dabei keine peinlichen Fehler produziert.

Also habe ich mir einen API-Token erstellt und Qwen3.6-35B-A3B sieben Aufgaben gegeben, wie sie in einem kleinen Unternehmen täglich anfallen. Alle Ausgaben in diesem Beitrag sind wörtlich und unbearbeitet, die Rohdaten habe ich vollständig aufgehoben. Vorweg: Das Ergebnis ist zweigeteilt, und die Grenze verläuft genau zwischen strukturierten Aufgaben und freiem Text.

Erst die Zahlen

Zur Geschwindigkeit hatte ich gestern die Messwerte eines englischen First-Look-Tests zitiert. Jetzt kann ich eigene danebenlegen: Über fünf Läufe lag die Zeit bis zum ersten Token im Median bei 244 Millisekunden, ein Kaltstart-Ausreißer brauchte 1,2 Sekunden. Beim Durchsatz kamen 681 Tokens in 3,8 Sekunden zurück, also rund 181 Token pro Sekunde. Etwas langsamer als die 224 aus dem First Look, aber dieselbe Größenordnung, und für alles, was im Hintergrund läuft, mehr als genug. Eine typische Klassifizierungs-Aufgabe war in einer halben Sekunde komplett beantwortet.

Wo das Modell überzeugt

Die erste Aufgabe war eine aufgebrachte Kundenmail, Buchungsseite ausgefallen, Umsatzverlust, Rückrufbitte, mit der Anweisung, sie als JSON zu klassifizieren. Die Antwort kam exakt im geforderten Format:

{"kategorie": "Supportanfrage", "dringlichkeit": "hoch", "begruendung": "Die E-Mail beschreibt einen kritischen technischen Ausfall, der unmittelbare geschäftliche Schäden verursacht und eine sofortige technische Intervention erfordert."}

Kategorie richtig, Dringlichkeit richtig, Begründung in fehlerfreiem Deutsch. Dasselbe Bild bei der Datenextraktion: Aus einer frei formulierten Nachricht einer Bäckerei zog das Modell Name, Firma, Telefonnummer, Anliegen und Wunschtermin sauber in die vorgegebenen JSON-Felder. Und bei der Korrektur-Aufgabe, einem Text voller absichtlicher Fehler, saß jede einzelne Korrektur, inklusive der Stelle, an der aus einem falschen “dass” ein richtiges “das” werden musste, und die Kommasetzung stimmte am Ende auch.

Das ist die eine Hälfte des Befunds, und sie ist besser, als ich erwartet hatte: Überall dort, wo ein Schema die Ausgabe festhält, arbeitet das kleine Modell schnell, präzise und in korrektem Deutsch.

Foto: markusspiske / Unsplash

Eine Randnotiz zur Bildverarbeitung, denn das Modell nimmt neben Text auch Bilder entgegen. Einen Nebentest mit einem Gartenfoto zweier Labradore bestand es souverän, es ließ sich nicht einmal von der absichtlich falschen Fangfrage nach den “traurig guckenden Kälbern” aufs Glatteis führen, stellte richtig, dass es sich um zwei sichtlich entspannte Hunde handelt, und erkannte nebenbei die Hortensien und Rosen im Beet. Für schnelle Bild-Vorprüfungen ist das durchaus brauchbar.

Wo es unangenehm wird

Die andere Hälfte beginnt bei der Aufgabe, eine lockere Du-Nachricht in eine förmliche Antwort umzuformulieren. Im ersten Lauf stand mitten in der Geschäftsmail dieser Satz:

“Das Gesamtbudget beläuft sich auf 2500 Euro bei einer预计eten Laufzeit von drei Wochen.”

Das ist kein Darstellungsfehler. 预计 ist Chinesisch und bedeutet “voraussichtlich”, das Modell hat mitten im deutschen Wort die Sprache gewechselt. Weil ein einzelner Ausrutscher noch kein Befund ist, habe ich denselben Auftrag anschließend sechsmal wiederholt: In drei der sechs Wiederholungen tauchte 预计 erneut auf, insgesamt also in vier von sieben Läufen, jedes Mal an derselben semantischen Stelle, dort, wo “voraussichtlich” hingehört hätte. Das ist reproduzierbar, kein Pech.

Foto: kellysikkema / Unsplash

Der Effekt bleibt auch nicht auf diese eine Stelle beschränkt. In einem späteren, längeren Chat-Test rutschte dem Modell mitten in eine deutsche Erklärung ein “Es gibt keinen永久的 Stream” hinein, 永久 ist Chinesisch für dauerhaft. Anderes Thema, anderes Wort, derselbe Mechanismus.

Dazu kamen zwei weitere Schwächen im freien Text. Beim Umformulieren verdrehte das Modell mehrfach die Perspektive und “nahm das Angebot an”, das es als Dienstleister eigentlich selbst stellen sollte. Und in der Laien-Erklärung zum Impressum stand ein schlichter Grammatikfehler, “unnötige Ärger”. Nichts davon ist dramatisch, aber alles davon wäre in einer echten Kundenmail genau die Sorte Fehler, die hängen bleibt.

Die viel zitierte Rechenschwäche konnte ich übrigens nicht bestätigen, die Kontrollaufgabe 17 mal 23 plus 4 beantwortete das Modell korrekt mit 395, mit und ohne Denkmodus.

Die undokumentierte Thinking-Falle

Beim Testen bin ich in eine Falle gelaufen, die vermutlich jeden trifft, der die API naiv anbindet. Mein erster Aufruf lieferte eine scheinbar leere Antwort, das content-Feld war null. Des Rätsels Lösung: Qwen3.6 läuft auf Hetzner standardmäßig als Thinking-Modell. Es denkt erst sichtbar nach, und diese Denkschritte landen in einem eigenen Feld namens reasoning. Setzt man das Token-Limit knapp, verbraucht das Denken das komplette Kontingent, bevor je eine sichtbare Antwort entsteht, von außen sieht das aus wie eine kaputte API.

Abschalten lässt sich das mit einem Parameter, der derzeit nirgends dokumentiert ist:

antwort = client.chat.completions.create(
    model="Qwen/Qwen3.6-35B-A3B-FP8",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)

Der Unterschied ist drastisch. Die Rechen-Kontrollfrage brauchte ohne Thinking 0,2 Sekunden, mit Thinking 12 Sekunden und 373 Tokens, für exakt dasselbe Ergebnis. Für kurze, klar umrissene Aufgaben gehört der Denkmodus schlicht ausgeschaltet.

Was folgt daraus

Mein Fazit nach diesem Test fällt präziser aus als das übliche “kleines Modell, begrenzte Qualität”. Qwen3.6 auf der Hetzner-API ist heute schon ein brauchbares Arbeitstier für alles, was hinter den Kulissen läuft und durch ein Schema abgesichert ist: Anfragen klassifizieren und vorsortieren, Daten aus Nachrichten ziehen, interne Zusammenfassungen, Korrekturhilfen. Genau diese Aufgaben machen bei Automatisierungen im Betrieb den Löwenanteil aus, und dafür reicht das Modell, kostenlos und auf deutschen Servern.

Wovon ich abrate, ist ungeprüfter freier Text mit Außenwirkung. Ein Modell, das in über der Hälfte der Läufe chinesische Zeichen in eine förmliche deutsche Mail streut, schreibt keine Kundenkommunikation ohne menschlichen Blick darüber. Das kann sich mit größeren Modellen auf derselben Infrastruktur ändern, für das aktuelle Angebot gilt es.

Wenn du überlegst, welche deiner Abläufe sich mit so einem Modell sinnvoll automatisieren lassen und wo besser ein stärkeres Modell oder ein Mensch im Spiel bleibt, melde dich gerne. Genau diese Abgrenzung ist der Teil, den ich bei solchen Projekten als Erstes kläre.