Qwen3.5-9B oder Ministral-3-14B-Instruct-2512: Welchen Unterschied macht das lokale KI-Modell wirklich?
My Wealth 1.6 bietet mehrere lokale KI-Modelle, die sich an die Ressourcen des jeweiligen Computers anpassen. Qwen3.5-9B besitzt 9 Milliarden Parameter, Ministral-3-14B-Instruct-2512 dagegen 14 Milliarden.
Auf dem Papier verfügt Ministral über mehr Kapazität. Unsere Tests zeigen jedoch ein differenzierteres Bild: Das größere Modell bewältigt komplexe Anfragen häufiger, ist aber nicht grundsätzlich besser. Ein leichteres Modell kann direkter, schneller und manchmal näher an den bereitgestellten strukturierten Informationen bleiben.
Dieser Vergleich soll daher keinen absoluten Sieger bestimmen. Er hilft uns, die Arbeitsweise beider Modelle zu verstehen und den Assistenten für alle Profile zu verbessern.
Wie bewerten wir die Modelle?
Wir verwenden ein reproduzierbares Testvermögen und Fragen, wie sie auch in der Anwendung gestellt werden. Die Szenarien behandeln unter anderem:
- Wert und Zusammensetzung des Vermögens;
- Aufteilung und Konzentration;
- Schulden und die damit finanzierten Vermögenswerte;
- passive Einkünfte;
- Budgets und wiederkehrende Vorgänge;
- Anlageziele und Prognosen;
- Anfragen, die mehrere Quellen verknüpfen;
- die Vorbereitung von Änderungen unter Beachtung der Berechtigungen.
Das Modell muss die Anfrage verstehen, die richtigen MCP-Werkzeuge auswählen, deren Parameter vorbereiten, die Ergebnisse auswerten und eine datengerechte Antwort verfassen. Wir prüfen außerdem, dass es keine Werte erfindet und keine unerwünschten Vorgänge vorschlägt.
Fehler werden nach ihrer ersten Ursache eingeordnet: falsches Werkzeug, erfundener Parameter, falscher Fachwert, unzureichend belegte Antwort oder Ausführungsproblem. Eine Korrektur wird nur ergänzt, wenn die Ablaufprotokolle ihre Notwendigkeit belegen.
Die Ergebnisse in Zahlen
Für einen fairen Vergleich erhielten beide Modelle dieselben 46 Fragen zum selben Referenzvermögen und dieselben Werkzeuge:
| Ergebnis der 46 gemeinsamen Szenarien | Qwen3.5-9B | Ministral-3-14B-Instruct-2512 |
|---|---|---|
| Erfolgreiche Tests | 33 / 46 — 71,7 % | 37 / 46 — 80,4 % |
| Fehlgeschlagene Tests | 13 / 46 — 28,3 % | 9 / 46 — 19,6 % |
| Beobachtete Mediandauer | 2 Min. 52 Sek. | 3 Min. 44 Sek. |
Diese Zahlen sind eine Momentaufnahme der Entwicklung und kein universeller Benchmark. Die Tests liefen auf einem Intel Core Ultra 7 165U mit integrierter Intel-Grafik und 18 GB gemeinsam genutztem Speicher – ohne dedizierte Grafikkarte oder eigenen Videospeicher. Trotzdem antwortet Qwen innerhalb weniger Minuten und erledigt manche Alltagsfragen in etwas mehr als einer Minute.
Beide Modelle nutzten praktisch den Compute-Bereich der Intel-GPU. Bei Ministral kann Vulkan einen vermeintlichen CPU-Rückfall melden; die Ressourcenbeobachtung zeigt jedoch, dass der Prozessor während der Inferenz ruht und die GPU belastet wird. Da die Tests mehrere Verbesserungen des Orchestrators begleiteten, messen die Laufzeiten nicht ausschließlich die Modellarchitektur.
Ministral bestand in dieser Kampagne mehr Szenarien, während Qwen deutlich schneller blieb. Das größere Modell verbessert bestimmte komplexe Anfragen, benötigt dafür aber mehr Ressourcen und meist mehr Zeit.
Wo Ministral im Vorteil ist
Ministral war stärker, wenn vor der Antwort mehrere Informationen verbunden werden mussten, insbesondere bei Vergleichen zwischen Eigentümern, Vermögenswerten und Schulden, Einkommensanteilen finanzieller Anlagen, hochwertigen aber wenig rentablen Anlagen, finanzierten Anlagen und zugehörigen Verbindlichkeiten, regelmäßigen Budgetinvestitionen sowie Zielen mit dem größten Abstand zum Soll.
Das entspricht seinem vorgesehenen Einsatz: reichhaltigere Vergleiche, Beziehungen zwischen mehreren Einheiten und mehrstufige Anfragen.
Wo Qwen überrascht
Qwen ist nicht nur eine leichtere Alternative. Es antwortet häufig direkter und gibt klare Zusammenfassungen oder kanonische Ergebnisse wieder, ohne sie unnötig umzudeuten.
Ein aktueller Test umfasste die vier Standardfragen im KI-Bereich:
- Wie ist die Situation meines Vermögens?
- Wo ist mein Vermögen am stärksten konzentriert?
- Welcher Vermögenswert erzielt die beste Wertentwicklung?
- Welchen Anteil meines Vermögens kann ich schnell mobilisieren?
Qwen beantwortete alle vier korrekt. Ministral schaffte beim ersten vollständigen Lauf drei, ließ aber in der zweiten Antwort die höchste Konzentration aus, obwohl die Daten vorlagen. Das richtige MCP-Werkzeug war gewählt; der Fehler entstand bei der Neuinterpretation der zurückgegebenen Dimensionen.
Ein ausführlicheres Denken kann eine komplexe Anfrage lösen, aber auch eine bereits berechnete Antwort unnötig umordnen oder erweitern.
Das Modell arbeitet nicht allein
Die Qualität hängt nicht nur von der Parameterzahl ab. My Wealth fügt zwischen Frage und Vermögensdaten eine Orchestrierungsschicht ein. Sie stellt einen kompakten Werkzeugkatalog bereit, lässt das Modell Werkzeuge und Parameter wählen, validiert Aufrufe, liefert korrigierbare strukturierte Fehler, berechnet kanonische Beziehungen aus MCP-Ergebnissen und überlässt dem Modell weiterhin Verständnis und Formulierung.
Der LLM interpretiert und erklärt, während die Anwendung Zugriffe absichert und Fakten stabilisiert. Da eine für Qwen wirksame Anweisung von Ministral ignoriert oder überinterpretiert werden kann – und umgekehrt –, verwendet My Wealth modellbezogene Richtlinien statt eines einzigen universellen Prompts.
Welches Profil sollten Sie wählen?
Qwen ist der beste Einstieg für Alltagsfragen, Vermögensübersichten und Computer mit begrenzten Ressourcen. Ministral eignet sich, wenn mehrere Dimensionen gleichzeitig untersucht, Einheiten verglichen oder mehrstufige Analysen verlangt werden. Es garantiert jedoch keine perfekte Antwort und kann insbesondere ohne GPU-Beschleunigung länger benötigen.
Entscheidend sind Ihre Fragen, die Ressourcen Ihres Computers und die für Sie akzeptable Antwortzeit.
Die Bewertung geht nach der Veröffentlichung weiter
Mit My Wealth 1.6 endet diese Kampagne nicht. Jeder reproduzierbare Fehler kann auf ein mehrdeutiges Werkzeug, eine unklare Fachbeziehung oder ein modellspezifisches Verhalten hinweisen. Diese Erkenntnisse verbessern Orchestrator, MCP-Verträge und Modellrichtlinien und helfen bei der Auswahl künftiger LLMs.
Wie jede KI kann sich der Assistent irren. Wichtige Finanzinformationen sollten unabhängig vom gewählten Profil stets geprüft werden.