Werkstattbericht · 19. August 2026
Hetzners kostenlose KI im Praxistest: Das Gratis-Modell urteilt wie die Spitze
Ein Tag Messungen mit Hetzner „AI Experiments" (Qwen 3.6, offene Gewichte, EU)
gegen drei bezahlte Claude-Modelle. Aufgabe: 800 Musiktitel nach Stimmung bewerten,
für einen Playlist-Generator im eigenen Haus.
Der Aufbau
48 Titel, identischer Prompt für alle vier Modelle: Jedes Lied bekommt Werte von 0 bis 100 für Energie, Wärme, Tanzbarkeit, Fröhlichkeit, Eleganz und Feierlichkeit, dazu Sprache und Jahrzehnt. Qwen 3.6 lief auf Hetzners kostenloser Experiments-Plattform (EU-Region), die drei Claude-Modelle (Fable, Opus, Haiku) über die bezahlte Anthropic-API.
Wichtig für die Einordnung: Bei Geschmacksfragen gibt es keine objektive
Referenz. Die Abweichung misst, wie einig sich die Modelle sind, nicht, wer recht hat.
Deshalb ist der Abstand der beiden Spitzenmodelle untereinander der Maßstab.
Ergebnis 1: Die Urteile
| Modellpaar | mittlere Abweichung (0–100) | Sprache erkannt gleich |
|---|---|---|
| Claude Fable – Claude Opus (Spitze unter sich) | 7,9 | 48/48 |
| Claude Opus – Qwen 3.6 (gratis) | 13,8 | 47/48 |
| Claude Opus – Claude Haiku (bezahlt, klein) | 13,9 | 45/48 |
| Claude Fable – Qwen 3.6 | 14,4 | 47/48 |
| Claude Fable – Claude Haiku | 18,1 | 45/48 |
| Claude Haiku – Qwen 3.6 | 19,0 | 44/48 |
Das kostenlose Open-Weights-Modell liegt näher am Konsens der Frontier-Klasse als deren eigenes Sparmodell. Der Abstand zur Spitze (14 gegen 8) ist Einigkeitsrauschen, kein Klassenunterschied.
Ergebnis 2: Der Betrieb
- Jedes Claude-Modell erledigte die 48 Titel in einem Aufruf unter zwei Minuten (1,6 bis 2,6 Sekunden je Titel), auch spätabends.
- Qwen auf Experiments brauchte tagsüber 6 bis 12 Sekunden je Titel in Paketen und lief abends in Lastwellen: Timeouts nach über fünf Minuten, während Mini-Anfragen zeitgleich in zwei Sekunden beantwortet wurden.
- Der Batch-Client brauchte deshalb Geduldslogik: Pakete klein halten, nach jedem Paket speichern, nach drei Fehlversuchen 15 Minuten warten statt aufgeben.
- Endstand nach zwei Tagen: 985 Titel bewertet. Der Schlusslauf am Folgetag (141 Titel) brauchte mit Geduldslogik 3 Stunden 24 Minuten — elf Timeouts und drei Wartephasen am Mittag. Effektiv ~87 Sekunden je Titel inklusive Wartezeiten; Claude Haiku hätte dieselbe Menge in rund vier Minuten erledigt.
- Fair bleibt: Das misst die Plattform, nicht die Architektur. Auf eigener GPU wäre Qwen 3.6 deutlich schneller. Gemessen am Mittag, direkt auf der Plattform: 53 Tokens pro Sekunde einzeln, fast lineare Skalierung auf vier parallele Anfragen.
Was hängen bleibt
- Intelligenz ist nicht das, wofür man zahlt. Bezahlt wird Verfügbarkeit: konstante Antwortzeiten, keine Warteschlangen, keine Tageszeit-Lotterie.
- Reasoning-Modelle fressen Token. 910 Ausgabe-Token für eine
Kurzzusammenfassung; wer
max_tokensknapp setzt, bekommt leere Antworten. - Nie ungeprüft übernehmen. Bei exakt zu kopierenden Werten (Dateipfaden) „korrigierte" das Modell unaufgefordert 3 von 27 Einträgen. Die Architektur-Antwort: Das Modell liefert Urteile, deterministischer Code wählt und validiert.
- Für ein EU-Setup ist das Gratis-Angebot ein ernsthafter Baustein, hinter einem Gateway mit Fallback-Kette und mit Validierung. Genau so läuft es hier jetzt produktiv.
Eigener Test vom 19.08.2026. Qwen3.6-35B-A3B-FP8 auf Hetzner AI Experiments
(inference.hetzner.com, kostenfreie Testphase) gegen Claude Fable 5, Opus und Haiku 4.5
(Anthropic-API). 48 zufällig gezogene Titel aus einer privaten Musiksammlung, identischer
Prompt. Diese Seite ist ein Werkstattbericht ohne Gewähr; Rückfragen gern über LinkedIn.
Jörg Zeitler · z-komm.de