Sieben KI-Modelle — sechs frei verfügbare plus ein intern MTP-optimiertes Qwen3.5-27B —, vier Testklassen, ein Apple-M4-Pro-Rechner: alle Modelle laufen komplett lokal. Die Matrix zeigt, wo jedes Modell steht: Allround-Zuverlässigkeit, deutsche Sprachkompetenz, Klausur-Assistenz — und neu die agentische Lead-Recherche (N-Klasse) mit Anti-Halluzinations-Härtetest. Stand: 2026-08-09.
think-Werte liegen für die Suite sowie DS1 und DS3 vor — alle übrigen Spalten zeigen weiterhin nothink-Messungen. Die Decode-Geschwindigkeit und das N-Agent-Verdikt sind modusunabhängig.
27 Tests zu strukturierter Ausgabe (JSON), Instruktionstreue, Logik und mehrstufigen Aufgaben — misst die generelle Zuverlässigkeit eines Modells als Arbeitswerkzeug. Dazu: bestandene Tests (PASS von 27) und Decode-Tempo in Token pro Sekunde.
Das Feld liegt eng beisammen (95–105 von 108) — die Unterschiede zeigen sich erst in den Spezialklassen.
Sieben Disziplinen. Nur zwei trennen das Feld wirklich (D = diskriminierend), die übrigen bestehen alle Modelle (B = Boden-Test, Grundfähigkeit nachgewiesen):
Kann das Modell eine Schülerarbeit vorkorrigieren? Fachfehler erkennen, wörtlich belegen und das Ergebnis als maschinenlesbares JSON liefern — je 10 Prüfpunkte, zwei davon sind Kernprüfungen (Zitate wörtlich + JSON gültig).
Größte Hürde war gültiges JSON bei deutschen Anführungszeichen — gelöst durch erzwungene Ausgabegrammatik (constrained decoding). Verbleibende Ausfälle: gpt-oss (durchgängig) und thinkingcap in K1 (Über-Reasoning sprengt das Token-Budget).
Kann das Modell als Agent (n8n-Workflow mit Websuche) eine Firma recherchieren, ihren Status korrekt beurteilen und das Ergebnis als Schema-JSON abliefern? Die Kernfälle sind Anti-Halluzinations-Köder: zwei real gelöschte Firmen (§ 394 FamFG) und eine findbare Firma mit berühmtem Namensvetter.
Bewertet wird qualitativ auf getrennten Achsen — Urteil, Schema-Treue, Aufwand — denn sauberes JSON allein verdeckt Halluzination: ein formal perfekter „aktiv“-Datensatz für eine gelöschte Firma ist das gefährlichste Ergebnis.
think = das Modell „denkt“ vor der Antwort sichtbar nach (Reasoning) — kostet deutlich Zeit und Tokens. nothink = direkte Antwort für hohen Durchsatz.
Auf der Allround-Suite bringt Thinking nur ±2 von 108. Bei deutscher Idiomatik dagegen +3 bis +4 von 8: das vorschnelle „Korrigieren“ gültiger Redewendungen verschwindet, wenn das Modell seine Einschätzung zweitprüft.