Qwen3.5-9B eller Ministral-3-14B-Instruct-2512: hvor stor forskel gør den lokale AI-model egentlig?

My Wealth 1.6 tilbyder flere lokale AI-modeller, der passer til computerens ressourcer. Qwen3.5-9B har 9 milliarder parametre, mens Ministral-3-14B-Instruct-2512 har 14 milliarder.

På papiret har Ministral større kapacitet. I praksis viser testene et mere nuanceret billede: den større model løser oftere komplekse forespørgsler, men er ikke altid bedre. En lettere model kan være mere direkte, hurtigere og undertiden mere tro mod de strukturerede oplysninger, den modtager.

Sammenligningen skal derfor ikke udpege en ubetinget vinder. Den hjælper os med at forstå modellerne og forbedre assistenten for alle profiler.

1. Hvordan vurderer vi modellerne?

Vi bruger en reproducerbar testformue og spørgsmål formuleret, som de kunne stilles i appen. Scenarierne omfatter blandt andet:

• formuens værdi og sammensætning;
• fordelinger og koncentrationer;
• gæld og de aktiver, den finansierer;
• passiv indkomst;
• budgetter og tilbagevendende handlinger;
• investeringsmål og deres prognoser;
• forespørgsler, der kræver sammenkædning af flere kilder;
• forberedelse af ændringer med respekt for tilladelserne.

Modellen skal forstå spørgsmålet, vælge de rette MCP-værktøjer, forberede parametre, bruge resultaterne og skrive et svar i overensstemmelse med data. Vi kontrollerer også, at den ikke opfinder værdier eller foreslår en handling, der ikke er bedt om.

Fejl klassificeres efter den første årsag: forkert værktøj, opdigtet parameter, forkert forretningsværdi, utilstrækkeligt underbygget svar eller udførelsesproblem. En rettelse tilføjes kun, når sporene dokumenterer behovet.

2. Resultaterne i tal

For en retfærdig sammenligning fik Qwen3.5-9B og Ministral-3-14B-Instruct-2512 de samme 46 spørgsmål om en identisk referenceformue. Begge modeller havde også de samme værktøjer til at læse og analysere dataene. Resultaterne nedenfor svarer til de seneste tilgængelige kørsler for hver model:

Tallene er et øjebliksbillede fra udviklingen, ikke et universelt benchmark. Testene blev kørt på en Intel Core Ultra 7 165U med integreret Intel-grafik og 18 GB delt hukommelse, uden særskilt grafikkort eller egen videohukommelse. Alligevel svarer Qwen inden for få minutter og håndterer visse almindelige spørgsmål på lidt over et minut.

Begge modeller brugte i praksis Compute-delen af Intel-GPU’en. For Ministral kan Vulkan melde et tilsyneladende CPU-tilbagefald, men overvågningen viser, at CPU’en er inaktiv, mens GPU’en bærer belastningen. Testene fulgte desuden flere forbedringer af orkestratoren, så tiderne isolerer ikke kun modelarkitekturen.

Ministral bestod flere scenarier i denne kampagne, mens Qwen forblev mærkbart hurtigere.

Det bekræfter den forventede afvejning: Den større model klarer visse komplekse forespørgsler bedre på bekostning af flere ressourcer og generelt længere behandlingstid.

3. Hvor Ministral har fordelen

Ministral var bedre, når en forespørgsel krævede, at flere oplysninger blev forbundet før svaret. Den klarede sig blandt andet bedre i scenarier om:

• sammenligning af ejere;
• værdien af en aktivfamilie i forhold til gældsniveauet;
• andelen af indkomst fra finansielle aktiver;
• identifikation af aktiver med høj værdi, men lavt afkast;
• sammenkobling af finansierede aktiver og tilknyttede passiver;
• tilbagevendende investeringer konfigureret i budgetter;
• mål, der ligger længst fra deres målværdi.

Det svarer til den tilsigtede brug: rigere sammenligninger, relationer mellem enheder og forespørgsler med flere trin.

4. Hvor Qwen overrasker

Qwen er ikke blot et lettere alternativ. Den er ofte mere direkte og undgår unødvendigt at genfortolke en klar oversigt eller et kanonisk resultat.

En nylig serie brugte AI-panelets fire standardspørgsmål:

1. Hvordan ser min formue ud?
2. Hvor er min formue mest koncentreret?
3. Hvilket aktiv har den bedste udvikling?
4. Hvor stor en del af min formue kan jeg hurtigt frigøre?

Qwen klarede alle fire. Ministral klarede tre ved den første fulde kørsel, men udelod den højeste koncentration, selv om data var tilgængelige. Den rette MCP-analyse var valgt; fejlen opstod ved genfortolkningen af de returnerede dimensioner.

Mere omfattende ræsonnement kan løse et komplekst spørgsmål, men også unødvendigt omklassificere et allerede beregnet svar.

5. Modellen arbejder ikke alene

Assistentens kvalitet afhænger ikke kun af antallet af parametre i LLM'en. My Wealth indsætter et orkestreringslag mellem spørgsmålet og formuedataene.

Dette lag udfører flere funktioner:

• det viser et kompakt katalog over tilgængelige værktøjer;
• det lader modellen vælge de nyttige værktøjer og forberede deres parametre;
• det validerer kald før udførelsen;
• det returnerer strukturerede fejl, når planen kan rettes;
• det beregner bestemte kanoniske relationer ud fra MCP-resultaterne;
• det lader modellen stå for at forstå forespørgslen og formulere svaret.

Målet er ikke at erstatte modellens intelligens med en række forudbestemte svar, men at give den en pålidelig ramme: LLM'en fortolker og forklarer, mens appen beskytter adgangen og stabiliserer præcise fakta, som ikke må afhænge af en sproglig tilnærmelse.

Testene viste også, at de to modeller ikke altid har gavn af de samme instruktioner. En instruktion, der virker for Qwen, kan ignoreres eller overfortolkes af Ministral — og omvendt. My Wealth bruger derfor modelspecifikke politikker frem for én universel prompt.

6. Hvilken profil skal du vælge?

Qwen er det bedste udgangspunkt for almindelige spørgsmål, formueoversigter og computere med begrænsede ressourcer. Dens hastighed og direkte adfærd gør den allerede i stand til at besvare mange nyttige forespørgsler korrekt.

Ministral er interessant, når flere dimensioner undersøges, enheder sammenlignes eller analysen kræver flere trin. Den garanterer dog ikke et perfekt svar og kan tage længere tid, især uden GPU-acceleration.

Valget afhænger af dine spørgsmål, computerens ressourcer og den acceptable svartid.

7. Evalueringen fortsætter efter udgivelsen

My Wealth 1.6 afslutter ikke kampagnen. Enhver reproducerbar fejl kan afsløre et tvetydigt værktøj, en utilstrækkeligt tydelig forretningsrelation eller modelspecifik adfærd.

Erfaringerne bruges til at forbedre orkestratoren, MCP-kontrakterne og modelpolitikkerne uden at skjule deres begrænsninger. De kan også vejlede integrationen af fremtidige LLM'er, når disse tilbyder en bedre balance mellem kvalitet, hastighed og nødvendige ressourcer.

Som al kunstig intelligens kan assistenten tage fejl. Vigtige finansielle oplysninger bør altid kontrolleres, uanset profil.

Opdag My Wealth 1.6.0