Qwen3.5-9B o Ministral-3-14B-Instruct-2512: quanto cambia davvero il modello di IA locale?
My Wealth 1.6 offre diversi modelli di IA locale per adattarsi alle risorse di ogni computer. Qwen3.5-9B conta 9 miliardi di parametri, mentre Ministral-3-14B-Instruct-2512 ne conta 14.
Sulla carta Ministral dispone di capacità maggiori. Nei test emerge però un quadro più interessante: il modello grande risolve più spesso le richieste complesse, ma non è sempre migliore. Un modello leggero può essere più diretto, rapido e talvolta più fedele alle informazioni strutturate ricevute.
Il confronto non cerca quindi un vincitore assoluto: serve a capire come ragiona ogni modello e a migliorare l’assistente per tutti i profili.
Come valutiamo i modelli?
Usiamo un patrimonio di prova riproducibile e domande formulate come nell’applicazione. Gli scenari riguardano valore e composizione, allocazione e concentrazione, debiti e beni finanziati, redditi passivi, budget e operazioni ricorrenti, obiettivi e proiezioni, richieste che incrociano più fonti e preparazione di modifiche nel rispetto delle autorizzazioni.
Il modello deve comprendere la richiesta, scegliere gli strumenti MCP corretti, prepararne i parametri, usare i risultati e redigere una risposta coerente con i dati. Verifichiamo inoltre che non inventi valori e non proponga operazioni non richieste.
Gli errori sono classificati in base alla prima causa: strumento errato, parametro inventato, valore funzionale scorretto, risposta non sufficientemente fondata o problema di esecuzione. Una correzione viene aggiunta solo quando le tracce ne dimostrano la necessità.
I risultati in cifre
Per un confronto equo, entrambi i modelli hanno ricevuto le stesse 46 domande sullo stesso patrimonio di riferimento e gli stessi strumenti:
| Risultato sui 46 scenari comuni | Qwen3.5-9B | Ministral-3-14B-Instruct-2512 |
|---|---|---|
| Test superati | 33 / 46 — 71,7% | 37 / 46 — 80,4% |
| Test falliti | 13 / 46 — 28,3% | 9 / 46 — 19,6% |
| Durata mediana osservata | 2 min 52 s | 3 min 44 s |
Questi dati sono un’istantanea dello sviluppo, non un benchmark universale. I test sono stati eseguiti su un Intel Core Ultra 7 165U, con grafica Intel integrata e 18 GB di memoria condivisa, senza GPU dedicata né memoria video propria. Nonostante ciò, Qwen risponde in pochi minuti e gestisce alcune domande comuni in poco più di un minuto.
Entrambi i modelli hanno usato la parte Compute della GPU Intel. Con Ministral, Vulkan può segnalare un apparente ripiego sulla CPU, ma il monitoraggio mostra che la CPU resta inattiva durante l’inferenza e che il carico rimane sulla GPU. I test hanno inoltre accompagnato varie evoluzioni dell’orchestratore: i tempi non isolano quindi la sola architettura dei modelli.
In questa campagna Ministral supera più scenari, mentre Qwen resta sensibilmente più veloce. Il modello grande migliora alcune richieste complesse in cambio di più risorse e tempo.
Dove Ministral è avvantaggiato
Ministral si è dimostrato più efficace quando occorreva collegare più informazioni: confronti tra proprietari, valore di una famiglia di beni rispetto al debito, quota di reddito prodotta dagli investimenti finanziari, beni di valore ma poco redditizi, corrispondenza tra beni finanziati e passività, investimenti ricorrenti nei budget e obiettivi più lontani dal traguardo.
È coerente con il suo impiego previsto: confronti più ricchi, relazioni tra entità e richieste con più passaggi.
Dove Qwen sorprende
Qwen non è soltanto un’alternativa più leggera. Spesso è più diretto e, quando basta una sintesi chiara o un risultato canonico, evita reinterpretazioni inutili.
Un lotto recente comprendeva le quattro domande predefinite del pannello IA:
- Qual è la situazione del mio patrimonio?
- Dove è maggiormente concentrato?
- Quale bene offre la migliore performance?
- Quale parte posso rendere rapidamente disponibile?
Qwen le ha superate tutte. Ministral ne ha superate tre nella prima esecuzione completa, ma ha omesso la concentrazione più elevata pur avendo il dato. Aveva scelto l’analisi MCP corretta; l’errore è nato reinterpretando le dimensioni restituite.
Un ragionamento più articolato può risolvere una richiesta complessa, ma può anche riclassificare o arricchire una risposta che dovrebbe restare fedele a un risultato già calcolato.
Il modello non lavora da solo
La qualità non dipende solo dai parametri. My Wealth aggiunge uno strato di orchestrazione tra domanda e dati: presenta un catalogo compatto degli strumenti, lascia al modello la scelta e la preparazione dei parametri, convalida le chiamate, restituisce errori strutturati correggibili, calcola relazioni canoniche dai risultati MCP e mantiene il modello responsabile della comprensione e della risposta.
Il LLM interpreta e spiega, mentre l’applicazione protegge gli accessi e stabilizza i fatti esatti. Poiché un’istruzione efficace per Qwen può essere ignorata o sovrainterpretata da Ministral — e viceversa — My Wealth usa politiche specifiche per modello anziché un unico prompt universale.
Quale profilo scegliere?
Qwen è il punto di partenza migliore per domande comuni, sintesi patrimoniali e computer con risorse limitate. Ministral è utile quando si interrogano più dimensioni, si confrontano entità o servono più passaggi. Non garantisce risposte perfette e può richiedere più tempo, soprattutto senza accelerazione GPU.
La scelta dipende dalle domande, dalle risorse del computer e dal tempo di risposta accettabile.
Una valutazione che continua dopo il rilascio
My Wealth 1.6 non conclude la campagna. Ogni errore riproducibile può rivelare uno strumento ambiguo, una relazione funzionale poco esplicita o un comportamento specifico. Questi insegnamenti migliorano orchestratore, contratti MCP e politiche e guideranno l’integrazione di nuovi LLM.
Come ogni IA, l’assistente può sbagliare. Le informazioni finanziarie importanti devono sempre essere verificate, qualunque sia il profilo scelto.