{"id":21284,"date":"2026-10-09T22:26:00","date_gmt":"2026-10-09T20:26:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/blog\/?p=21284"},"modified":"2026-10-05T16:49:58","modified_gmt":"2026-10-05T14:49:58","slug":"freie-llm-modelle-de-en-pl-de","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/de\/cloud-ai-de\/freie-llm-modelle-de-en-pl-de\/","title":{"rendered":"Frei zug\u00e4ngliche LLMs im Vergleich: Qwen, Gemma, Ministral, Llama und DeepSeek f\u00fcr DE, EN und PL"},"content":{"rendered":"

Ein frei zug\u00e4ngliches Sprachmodell ist erst dann eine brauchbare lokale L\u00f6sung, wenn Aufgabe, Sprache und Hardware zusammenpassen. Ein hoher allgemeiner Benchmarkwert beantwortet weder die Frage nach polnischer Textqualit\u00e4t noch nach dem Speicherbedarf einer konkreten Quantisierung. Deshalb braucht der Vergleich mehrere Achsen statt einer einzigen Bestenliste.<\/p>\n

Die folgende Auswahl umfasst dokumentierte Modellfamilien und konkrete Vergleichskandidaten. Die Einordnung ist kein eigener Qualit\u00e4tsbenchmark. Downloadzugang, Lizenz und technische Ausf\u00fchrbarkeit werden getrennt betrachtet.<\/p>\n

\"Modellwahl
Dokumentierte Eigenschaften und eigene Qualit\u00e4tspr\u00fcfung getrennt bewerten.<\/figcaption><\/figure>\n

Welche Kandidaten in welche Klasse geh\u00f6ren<\/h2>\n\n\n\n\n\n\n\n\n\n
Kandidat<\/th>\nSinnvoller Vergleich<\/th>\nBesondere Pr\u00fcfung<\/th>\n<\/tr>\n<\/thead>\n
Qwen3.5-9B<\/td>\nKompakter allgemeiner Assistent<\/td>\nHybride Architektur und Backend<\/td>\n<\/tr>\n
Gemma 4 Instruct<\/td>\nPassende Gr\u00f6\u00dfenklasse und Multimodalit\u00e4t<\/td>\nExakte Variante statt Familienname<\/td>\n<\/tr>\n
Ministral 3 8B\/14B<\/td>\nLokaler Chat und strukturierte Ausgabe<\/td>\nArtefaktpr\u00e4zision und Sprachtest<\/td>\n<\/tr>\n
Llama 3.3 70B Instruct<\/td>\nGr\u00f6\u00dfere Modellreferenz<\/td>\nGewichte, Kontext und Lizenz<\/td>\n<\/tr>\n
DeepSeek-R1-Distill<\/td>\nReasoning in passender Gr\u00f6\u00dfenklasse<\/td>\nBasismodell und Ausgabeaufwand<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Frei zug\u00e4nglich ist eine unvollst\u00e4ndige Beschreibung<\/h2>\n

Ein Modell kann herunterladbare Gewichte besitzen und trotzdem besondere Nutzungsbedingungen verlangen. Die konkrete Model Card und die mitgelieferte Lizenz sind ma\u00dfgeblich. Bei Ableitungen kommen Bedingungen des Ausgangsmodells hinzu. Ein Repository-Name allein reicht f\u00fcr die Einordnung nicht.<\/p>\n

Qwen3.5-9B und der ausgew\u00e4hlte Ministral-3-14B-Instruct-Eintrag weisen Apache 2.0 aus. Andere Familien und \u00e4ltere Generationen d\u00fcrfen daraus keine pauschale Lizenzzuordnung erhalten. Au\u00dferdem unterscheiden sich Basis-, Instruct- und Reasoning-Versionen selbst bei \u00e4hnlichem Namen.<\/p>\n

DE, EN und PL brauchen eigene Ergebnisse<\/h2>\n

Ein brauchbares Aufgabenpaket umfasst Zusammenfassung, Textkorrektur, JSON-Extraktion, Codeanalyse und Antworten zu einem bereitgestellten Dokument. Dieselben Inhalte werden idiomatisch in drei Sprachen gestellt. Die Bewertung z\u00e4hlt fachliche Fehler, Auslassungen, Formatverletzungen und unn\u00f6tige Erg\u00e4nzungen.<\/p>\n

Ein \u00fcbersetzter englischer Benchmark ersetzt dabei keinen polnischen Sprachtest. Auch eine Herstellerliste unterst\u00fctzter Sprachen belegt keine gleiche Qualit\u00e4t. Gerade Eigennamen, Flexion und sachlicher Stil k\u00f6nnen im Polnischen andere Fehlerbilder erzeugen. Solche Unterschiede geh\u00f6ren in separate Ergebnisspalten.<\/p>\n

Modellgr\u00f6\u00dfe und Speicherbudget getrennt vergleichen<\/h2>\n

Eine erste Vergleichsgruppe h\u00e4lt die Modellklasse \u00e4hnlich. Eine zweite Gruppe h\u00e4lt das verf\u00fcgbare Speicherbudget fest. So l\u00e4sst sich pr\u00fcfen, ob ein kleineres Modell mit h\u00f6herer Pr\u00e4zision oder ein gr\u00f6\u00dferes st\u00e4rker quantisiertes Modell f\u00fcr die konkrete Aufgabe besser passt.<\/p>\n

Bei MoE-Modellen bestimmen aktive Parameter nur einen Teil der Rechnung. Die gesamten Gewichte bleiben f\u00fcr die Kapazit\u00e4t relevant. Llama 4 Scout und gro\u00dfe aktuelle DeepSeek-Modelle sind deshalb keine kleinen Desktop-Modelle allein wegen einer niedriger klingenden Zahl aktiver Parameter. Auslagerung ver\u00e4ndert zus\u00e4tzlich das Antwortverhalten.<\/p>\n

Eine reproduzierbare Auswahl statt eines Familien-Siegers<\/h2>\n

Jeder Ergebnisdatensatz braucht Modell-ID, Revision, Quantisierung, Runtime, Kontext, Chat-Template und Sampling. Reasoning-Ausgaben erhalten ein dokumentiertes Ausgabelimit. Andernfalls misst ein Zeitvergleich wom\u00f6glich nur l\u00e4ngere Antworten. Bildverarbeitung wird separat gepr\u00fcft, damit ein Textvergleich nicht verschiedene F\u00e4higkeiten vermischt.<\/p>\n

F\u00fcr die Vorauswahl hilft der vorhandene Speicherrechner. Der n\u00e4chste Schritt ist ein kleiner lokaler Qualit\u00e4tstest mit \u00fcberpr\u00fcfbaren Sollantworten. Erst danach entsteht eine begr\u00fcndete Shortlist f\u00fcr DE, EN oder PL. Eine allgemeine Rangfolge aller frei zug\u00e4nglichen Modelle w\u00e4re f\u00fcr diese Entscheidung zu grob.<\/p>\n

Speicherbedarf f\u00fcr die Modellwahl: LLM-VRAM-Rechner.<\/a><\/p>\n

\n

Passende Werkzeuge<\/h2>\n