Qwen 3.8: Die eigene KI-Werkstatt wird erwachsen.

Ein Modell, das Sie selbst betreiben können

Qwen3.8‑27B ist ein Modell mit 27 Milliarden Parametern und frei verfügbaren Gewichten unter Apache 2.0. Es verarbeitet auch Bilder und Videos. Die native Kontextlänge beträgt laut Modellkarte 262.144 Tokens; längere Fenster benötigen entsprechende Erweiterung und Unterstützung. [1]

Das klingt zunächst nach Datenblatt. Praktisch bedeutet es: Sie können die KI in eine selbst gewählte Umgebung einbauen. Ein Modell für Ideen, Code und visuelle Aufgaben, dessen Betrieb Sie organisieren. Die Freiheit liegt darin, passende Arbeitsabläufe selbst zusammenzustellen und weiterzuentwickeln.

Ollama führt Qwen 3.8 mit Bild-, Werkzeug- und Thinking-Unterstützung. [2] Damit öffnet sich eine reizvolle Kombination: einen Entwurf ansehen, darüber sprechen und anschließend an der Umsetzung arbeiten. Denken Sie etwa an einen Screenshot eines eigenen Formulars. Welche Beschriftung ist unklar? Wo fehlt eine Fehlermeldung? Welche Änderung könnte helfen?

Ein zweites anschauliches Szenario wäre ein gescanntes Dokument aus Ihrem eigenen Bestand. Lassen Sie zunächst nur bestimmte Angaben herauslesen und unleserliche Stellen ausdrücklich markieren. Vergleichen Sie die Ausgabe mit dem Original, bevor Sie daraus eine Datei oder einen automatischen Ablauf machen. Gerade ein Modell, das überzeugend formuliert, sollte fehlende Informationen nicht still ergänzen dürfen. Der interessante Schritt besteht darin, aus dem Bild eine überprüfbare Zwischenstufe zu gewinnen: eine Tabelle, eine Liste oder einen Entwurf, den Sie weiterverarbeiten können. So bekommt Bildverständnis einen konkreten Platz im Alltag.

Das sind mögliche Aufgaben für einen eigenen Versuch. Eine plausible Antwort ersetzt dabei keine Prüfung mit echten Nutzern. Aber die Schwelle, eine Idee überhaupt sichtbar und diskutierbar zu machen, kann erheblich sinken.

Warum die Coding-Zahlen aufhorchen lassen

Qwens veröffentlichte Tabelle zeigt deutliche Fortschritte gegenüber Qwen3.6‑27B. Als kommerziellen Bezugspunkt nennt sie Opus 4.6 Max. Die folgenden Werte sind Herstellerangaben, keine Messungen von nVisions.de. [1]

Terminal‑Bench prüft, ob ein Agent mit Dateien, Programmen und Werkzeugen tatsächlich Aufgaben erledigt. Automatische Tests kontrollieren den Erfolg. Eine gute Erklärung allein reicht nicht. [3]

SWE steht für Software Engineering. Bei SWE‑Bench Pro muss sich die KI in umfangreichen Softwareprojekten zurechtfinden und konkrete Probleme lösen. Das kommt der Arbeit an bestehender Software näher als eine isolierte Programmierfrage. Ein Score ist trotzdem kein Fertigstellungsgrad für Ihr nächstes Kundenprojekt. [4]

NL2Repo‑Bench untersucht den Weg von einer sprachlichen Aufgabenbeschreibung zum Codeprojekt. Bei SWE‑Bench Pro wurden problematische Aufgaben korrigiert und Baselines neu ausgewertet; Opus’ Wert wurde hingegen offiziell übernommen. Qwens übrige Pro-Vergleiche liefen im Claude-Code-Werkzeugrahmen mit 256K Kontext. [1]

Die Tabelle ist damit ein starkes Signal, das einen eigenen Versuch rechtfertigt. Für ein pauschales „besser als die Cloud“ reicht sie nicht. Auch für ein quantisiertes Modell auf Ihrem Rechner liefert sie keinen Qualitätsnachweis. Und verschiedene Versionen eines Benchmarks dürfen nicht wie dieselbe Prüfung behandelt werden.

18 GB Download sind noch kein fertiger KI-Rechner

In Ollamas Bibliothek belegt Qwen3.8‑27B als Q4_K_M rund 18 GB, als Q8_0 rund 30 GB und als BF16 rund 56 GB. Diese Zahlen beschreiben Modellpakete. Die komprimierten Varianten machen den Einstieg handlicher. [5]

Für den tatsächlichen Betrieb kommen zusätzliche Speicheranforderungen hinzu, insbesondere durch den Kontext. Ollama weist darauf hin, dass größere Kontextfenster mehr Speicher benötigen. Mit ollama ps lässt sich kontrollieren, welcher Kontext zugewiesen ist und ob das Modell vollständig auf der GPU liegt oder teilweise auf die CPU ausgelagert wird. [6]

Eine allzu knappe Kalkulation kann deshalb täuschen. Ein Rechner muss neben den Modellgewichten auch die laufende Unterhaltung und seine übrigen Aufgaben unterbringen. Auf einem Arbeitsgerät konkurriert die KI mit Browser, Entwicklungsumgebung und anderen Programmen. Entscheidend ist der verfügbare Speicher im konkreten Betrieb.

Für einen ersten Versuch sollten Sie daher auf vorhandener geeigneter Hardware klein anfangen: eine Aufgabe, eine Sitzung, überschaubarer Kontext. Messen Sie, ob der Ablauf für Sie angenehm bleibt. Eine Hardwareanschaffung lässt sich anschließend an einer echten Anforderung ausrichten.

Auch der Modellname verdient Aufmerksamkeit. Ollama listet verschiedene Tags und Kennungen, darunter eigene MTP-Varianten. Ein genauer Tag und die Modellkennung helfen, Versuche später zuzuordnen. Wer bloß „Qwen 3.8“ notiert, hält wichtige Unterschiede seines Setups nicht fest. [5]

Das langsamere Modell kann früher fertig sein

Ein anschauliches Beispiel liefert TerminalBytes. Der Autor verglich im August 2026 auf einem Mac Studio M3 Ultra mit 256 GB Speicher die damaligen Ollama-Q4_K_M-Versionen von Qwen 3.6 und 3.8, jeweils über fünf Durchläufe. Gemeldet wurden im Mittel 28,6 beziehungsweise 14,0 erzeugte Tokens pro Sekunde. [7]

Qwen 3.8 schrieb dort zugleich deutlich kürzere Antworten. Für ein berichtetes Antwortpaar nennt der Autor rund 72 Sekunden beim Vorgänger und 67 Sekunden beim neuen Modell. Das ist ein kleiner externer Praxistest mit nicht vollständig dokumentiertem Softwarestand. Die Werte sind keine Geschwindigkeitszusage für Ihren Mac. Die Einsicht dahinter ist dennoch nützlich: Ausgabetempo und Zeit bis zum fertigen Ergebnis sind verschiedene Dinge. [7]

Hinzu kommt die Zeit, die eine KI vor ihrer Antwort nachdenkt. Ollama trennt bei unterstützten Modellen Thinking-Ausgabe und eigentliche Antwort; der Denkmodus lässt sich über die jeweilige Schnittstelle steuern. [8] Im Alltag zählt, wann eine brauchbare Lösung vorliegt und wie viele Korrekturen danach nötig sind.

Ein flotter Strom mittelmäßiger Vorschläge kann mehr Arbeit machen als ein langsamerer, passender Entwurf. Prüfen Sie deshalb drei Dinge zusammen: Wartezeit, Ergebnis und Nacharbeit. Gerade bei kleinen internen Werkzeugen ist die Zahl der eingesparten manuellen Schritte oft interessanter als ein Geschwindigkeitsrekord im Terminal.

Einsteigen mit einer eindeutigen Modellvariante

Mit eingerichtetem, aktuellem Ollama und ausreichend Speicher können Sie die konkrete Q4_K_M-Variante herunterladen und starten: [5] [9]

ollama pull qwen3.8:27b-q4_K_M
ollama run qwen3.8:27b-q4_K_M

In einem zweiten Terminal zeigt dieser Befehl das geladene Modell und seine Verteilung: [6]

ollama ps

Die beworbene maximale Kontextlänge wird nicht automatisch zum nutzbaren Arbeitsraum jeder Sitzung. Ollama beschreibt hardwareabhängige Vorgaben und empfiehlt für Coding-Werkzeuge oder Agenten mindestens 64.000 Tokens. Das ist eine Empfehlung für solche Abläufe, keine Startbedingung für jede kurze Chatfrage. [6]

Stellen Sie sich den Kontext als die Unterlagen auf einer Werkbank vor. Ein größerer Tisch hilft, wenn mehrere Dateien zusammengehören. Er hilft wenig, wenn die entscheidende Anforderung überhaupt nicht darauf liegt. Geben Sie deshalb gezielt Ziel, relevante Dateien und beobachtete Fehler mit, statt einfach möglichst viel Material anzuhängen.

Vom Chatfenster zur Werkbank

Im Chat liefert das Modell zunächst Antworten. Ein Agent ergänzt den Arbeitsablauf: Dateien lesen und bearbeiten, Werkzeuge ausführen, Ergebnisse zurückmelden. Ollama dokumentiert beispielsweise die Anbindung von OpenCode an lokale Modelle. [10]

Diese Unterscheidung erklärt viel von der Lücke zwischen Modellscore und erster Erfahrung. Wer Code im Chat erhält, muss ihn selbst speichern und ausführen. Eine passend eingerichtete Agentenumgebung kann diese Schritte übernehmen und Fehlermeldungen wieder an das Modell geben. Das Ergebnis entsteht aus dem Zusammenspiel.

Für einen Versuch eignet sich ein eigener Projektordner mit kopierten Beispieldaten. Geben Sie dem Agenten ein überprüfbares Ziel: Welche Datei soll entstehen? Welche Funktion muss arbeiten? Was darf er verändern? Ein großer Auftrag mit schwammigem Ende produziert sonst leicht viele Dateien und wenig Gewissheit.

Das gilt auch für visuelle Aufgaben. Ein Screenshot liefert Hinweise auf das Aussehen einer Oberfläche. Verhalten, Berechtigungen und Datenflüsse müssen zusätzlich beschrieben werden. Die Fähigkeit, Bilder zu verstehen, macht aus einer sichtbaren Schaltfläche noch keine vollständige Produktspezifikation.

Ein kleiner Versuch, der mehr verrät als ein Chat

Beginnen Sie mit etwas, das sich unmittelbar benutzen lässt. Ein Browser-Spiel ist dafür überraschend gut geeignet: Seine Regeln sind überschaubar und Fehler werden sichtbar. Dieser Beispielauftrag ist eine Anregung für Ihren eigenen Test:

Erstellen Sie ein Breakout-Spiel als einzelne HTML-Datei ohne externe Bibliotheken. Der Schläger soll per Tastatur und auf dem Handy per Berührung steuerbar sein. Zeigen Sie Punkte, Sieg und Niederlage. Ein Neustart muss Ball, Steine und Punktestand vollständig zurücksetzen. Erklären Sie, wie ich das Spiel lokal öffne.

Kontrollieren Sie anschließend genau diese Regeln. Funktioniert der Neustart mehrfach? Entwischt der Ball durch einen Stein? Läuft die Steuerung auf dem Handy? Melden Sie einen Fehler mit einer reproduzierbaren Abfolge zurück. Damit prüfen Sie zugleich, ob die KI aus Ihrer Rückmeldung eine gezielte Verbesserung macht.

Notieren Sie beim Ausprobieren auch, wo Sie selbst eingreifen mussten. War die Aufgabenbeschreibung unvollständig? Hat das Modell einen klar benannten Fehler übersehen? Oder konnte die Umgebung die Datei schlicht nicht ausführen? Diese Unterschiede helfen bei der nächsten Entscheidung. Ein besserer Prompt löst kein Speicherproblem; eine größere Grafikkarte korrigiert keine fehlende Spielregel. Wiederholen Sie nach einer Korrektur die bereits funktionierenden Schritte. Ein reparierter Neustart ist wenig wert, wenn dabei die Touch-Steuerung kaputtgeht. Solche kleinen Wiederholungsprüfungen machen aus einer gelungenen Vorführung allmählich ein brauchbares Werkzeug.

Der nächste Versuch kann näher an Ihrer Arbeit liegen: ein Angebotsvergleich mit künstlichen Beispieldaten, ein kleines Inventar oder die Aufbereitung einer eigenen Textsammlung. Wählen Sie einen Ablauf, dessen Richtigkeit Sie beurteilen können. Wenn Ihnen die KI eine Stunde Sortierarbeit erspart, muss sie dafür keinen universellen Benchmark gewinnen.

Lokale Kontrolle hat einen konkreten Preis

Bei lokal ausgeführten Modellen erhält Ollama laut eigener FAQ keine Prompts oder Antworten. Cloud-Funktionen lassen sich mit OLLAMA_NO_CLOUD=1 und einem Neustart des Ollama-Dienstes deaktivieren. Zusätzliche Oberflächen, Websuche und externe Werkzeuge haben eigene Datenwege. [11]

Der Vorteil entsteht also durch den gesamten Aufbau: Sie entscheiden, wo gerechnet wird und welche Komponenten Zugriff erhalten. Eine lokale Modellinstallation allein beschreibt noch nicht den Datenfluss Ihres kompletten Arbeitsplatzes.

Auch wirtschaftlich lohnt ein genauer Blick. Ohne Cloud-Abrechnung pro Modellantwort verschwinden nicht sämtliche Kosten. Hardware, Strom, Einrichtung und Wartung bleiben. Rein als Rechenbeispiel: 200 Watt zusätzliche Leistungsaufnahme über zwei Stunden ergeben 0,4 Kilowattstunden. Bei angenommenen 35 Cent pro Kilowattstunde sind das 14 Cent Strom. Anschaffung und Betreuung kommen hinzu.

Wer täglich passende Aufgaben hat und die Hardware bereits besitzt, kann anders kalkulieren als jemand, der gelegentlich einen Text zusammenfasst. Der stärkste Grund für lokal kann außerdem die Kontrolle über den Ablauf sein. Ein Kostenvergleich sollte genau diesen Nutzen mitbewerten.

Die spannende Frage steht auf Ihrem Schreibtisch

Qwen 3.8 macht die eigene KI-Werkstatt ernsthaft interessant. Die veröffentlichten Coding-Werte liefern den Anlass, genauer hinzusehen. Ob sich daraus ein gutes Werkzeug ergibt, entscheidet sich an Ihren Aufgaben, Ihrer Hardware und einer Arbeitsumgebung, die Fehler sichtbar macht.

Nehmen Sie sich einen überschaubaren Ablauf vor, den Sie bislang aufschieben. Bauen Sie eine erste Version, prüfen Sie das Ergebnis und verbessern Sie es. Genau darin liegt das Potenzial: Sie können Ideen ausprobieren, für die sich früher noch kein Projekt gelohnt hätte. Eine eigene KI-Werkstatt mit nVisions.de aufbauen →