Qwen3.5-9B of Ministral-3-14B-Instruct-2512: hoeveel verschil maakt het lokale AI-model werkelijk?
My Wealth 1.6 biedt verschillende lokale AI-modellen die passen bij de middelen van iedere computer. Qwen3.5-9B telt 9 miljard parameters; Ministral-3-14B-Instruct-2512 telt er 14 miljard.
Op papier heeft Ministral meer capaciteit. In de praktijk tonen onze tests een genuanceerder beeld: het grotere model slaagt vaker bij complexe vragen, maar is niet altijd beter. Een lichter model kan directer en sneller zijn en soms trouwer blijven aan de aangeleverde gestructureerde informatie.
Deze vergelijking wijst dus geen absolute winnaar aan. Ze helpt ons begrijpen hoe elk model redeneert en de assistent voor ieder profiel te verbeteren.
Hoe beoordelen we de modellen?
We gebruiken een reproduceerbare testportefeuille en vragen zoals die in de toepassing kunnen worden gesteld. De scenario’s omvatten waarde en samenstelling, verdeling en concentratie, schulden en gefinancierde activa, passieve inkomsten, budgetten en terugkerende verrichtingen, beleggingsdoelen en prognoses, het combineren van meerdere bronnen en het voorbereiden van wijzigingen binnen de verleende rechten.
Het model moet de vraag begrijpen, de juiste MCP-tools kiezen, parameters voorbereiden, resultaten gebruiken en een antwoord schrijven dat met de gegevens overeenkomt. We controleren ook dat het geen waarden verzint en geen ongevraagde handeling voorstelt.
Mislukkingen worden ingedeeld naar hun eerste oorzaak: verkeerde tool, verzonnen parameter, onjuiste bedrijfswaarde, onvoldoende onderbouwd antwoord of uitvoeringsprobleem. Alleen wanneer de traces dit aantonen, voegen we een correctie toe.
Resultaten in cijfers
Voor een eerlijke vergelijking kregen beide modellen dezelfde 46 vragen over dezelfde referentieportefeuille en dezelfde tools:
| Resultaat van de 46 gemeenschappelijke scenario’s | Qwen3.5-9B | Ministral-3-14B-Instruct-2512 |
|---|---|---|
| Geslaagde tests | 33 / 46 — 71,7% | 37 / 46 — 80,4% |
| Mislukte tests | 13 / 46 — 28,3% | 9 / 46 — 19,6% |
| Waargenomen mediaanduur | 2 min 52 sec | 3 min 44 sec |
Dit is een momentopname uit de ontwikkeling, geen universele benchmark. De tests draaiden op een Intel Core Ultra 7 165U, met geïntegreerde Intel-graphics en 18 GB gedeeld geheugen, zonder aparte grafische kaart of videogeheugen. Toch antwoordt Qwen binnen enkele minuten en behandelt het sommige alledaagse vragen in iets meer dan een minuut.
Beide modellen gebruikten feitelijk het Compute-gedeelte van de Intel-GPU. Bij Ministral kan Vulkan een schijnbare terugval naar de CPU melden, terwijl monitoring toont dat de CPU tijdens inferentie niet werkt en de GPU de belasting draagt. De tests liepen bovendien mee met opeenvolgende verbeteringen aan de orchestrator; de tijden meten dus niet alleen de modelarchitectuur.
In deze campagne slaagde Ministral voor meer scenario’s, terwijl Qwen merkbaar sneller bleef. Het grotere model verbetert bepaalde complexe vragen ten koste van meer middelen en tijd.
Waar Ministral voordeel heeft
Ministral presteerde beter wanneer meerdere gegevens moesten worden gekoppeld: vergelijkingen tussen eigenaars, de waarde van een activafamilie tegenover de schuld, het inkomensaandeel van financiële activa, waardevolle maar weinig renderende activa, gefinancierde activa en bijbehorende verplichtingen, terugkerende budgetinvesteringen en doelen die het verst van hun streefwaarde liggen.
Dit past bij het beoogde gebruik: rijkere vergelijkingen, relaties tussen entiteiten en vragen met meer stappen.
Waar Qwen verrast
Qwen is meer dan een lichter alternatief. Het reageert vaak directer en herinterpreteert een duidelijke samenvatting of canoniek resultaat doorgaans niet onnodig.
Een recente reeks bevatte de vier standaardvragen uit het AI-paneel:
- Wat is de situatie van mijn vermogen?
- Waar is mijn vermogen het sterkst geconcentreerd?
- Welk activum presteert het best?
- Welk deel van mijn vermogen kan ik snel vrijmaken?
Qwen beantwoordde alle vier correct. Ministral slaagde bij de eerste volledige uitvoering voor drie, maar liet de hoogste concentratie weg hoewel die beschikbaar was. Het juiste MCP-onderzoek was gekozen; de fout ontstond bij de herinterpretatie van de teruggegeven dimensies.
Uitgebreider redeneren kan een complexe vraag oplossen, maar ook een reeds berekend antwoord onnodig herordenen of verrijken.
Het model werkt niet alleen
Kwaliteit hangt niet alleen af van het aantal parameters. My Wealth voegt tussen vraag en vermogensgegevens een orchestratielaag toe. Deze biedt een compacte toolcatalogus, laat het model tools en parameters kiezen, valideert oproepen, geeft herstelbare gestructureerde fouten terug, berekent canonieke relaties uit MCP-resultaten en houdt het model verantwoordelijk voor begrip en formulering.
De LLM interpreteert en legt uit; de toepassing beveiligt toegang en stabiliseert exacte feiten. Omdat een instructie die voor Qwen werkt door Ministral kan worden genegeerd of overgeïnterpreteerd — en omgekeerd — gebruikt My Wealth beleid per model in plaats van één universele prompt.
Welk profiel kiest u?
Qwen is het beste vertrekpunt voor dagelijkse vragen, vermogensoverzichten en computers met beperkte middelen. Ministral is interessant wanneer u meerdere dimensies tegelijk onderzoekt, entiteiten vergelijkt of een analyse met meer stappen vraagt. Het garandeert geen perfect antwoord en kan vooral zonder GPU-versnelling langer duren.
De keuze hangt af van uw vragen, de middelen van uw computer en de aanvaardbare antwoordtijd.
Evaluatie gaat na de release door
Met My Wealth 1.6 stopt deze campagne niet. Elke reproduceerbare fout kan wijzen op een dubbelzinnige tool, een onvoldoende duidelijke bedrijfsrelatie of modelspecifiek gedrag. Deze lessen verbeteren orchestrator, MCP-contracten en modelbeleid en helpen toekomstige LLM’s selecteren.
Zoals elke AI kan de assistent zich vergissen. Belangrijke financiële informatie moet altijd worden gecontroleerd, ongeacht het profiel.