11 KI-Modelle, ein echter Server-Check: teuer verliert, günstig überrascht, Datenschutz kostet extra

Drei Intuitionen, die ich testen wollte

Wer neue KI-Modelle verfolgt, trägt drei Reflexe mit sich herum: Teurer ist besser. Stärker ist gründlicher. Und Datenschutz bekommt man notfalls gratis dazu. Für kreative oder strategische Aufgaben mag der erste Reflex oft stimmen. Aber ein großer Teil meiner Alltagsnutzung sieht anders aus: Ein Agent bekommt eine nüchterne Aufgabe, ruft ein paar Kommandozeilen-Werkzeuge auf und fasst zusammen, was er vorfindet. Genau so laufen die Server-Checks, die Hermes für mich fährt.

Also habe ich alle drei Reflexe an einer einzigen, realistischen Aufgabe geprüft — mit elf Modellen quer durch die Preisklassen und Herkunftsländer, bis hinauf zum absoluten Frontier-Flaggschiff. Und alle drei sind gefallen.

Der Aufbau: eine Aufgabe, ein Prüfstein, elf Modelle

Die Prüfaufgabe war für alle Kandidaten identisch. Sinngemäß: Prüfe auf diesem Host den Status meines Agenten Hermes — Version, welche Dienste laufen — und erkläre, warum Hermes nicht im Docker-/Container-Bericht auftaucht. Nur knappe Stichpunkte mit echten Live-Befunden, keine Geheimnisse.

Das ist ein guter Prüfstein, weil die richtige Antwort nicht aus dem Sprachwissen des Modells kommt, sondern aus dem, was die aufgerufenen Werkzeuge tatsächlich zurückmelden. Ein Modell kann hier nicht „schöner formulieren" — es muss die richtigen Befehle wählen und deren Ausgabe korrekt einordnen. Entscheidend für die Fairness: Ich habe die echte Systemkonfiguration per systemctl ausgelesen — die Ground Truth. Konkret liefen zwei Hermes-Dienste als aktive systemd-Dienste (systemd ist der Standard-Dienstmanager unter Linux): ein Gateway- und ein Dashboard-Dienst, beide sauber registriert und im Zustand „running". An dieser belegten Wahrheit ließ sich jede Antwort objektiv messen.

Damit der Vergleich möglichst fair bleibt, lief der Großteil der Modelle über denselben Anbieterpfad — den Pay-per-use-Aggregator OpenRouter. Zwei Einschränkungen lege ich offen: GPT-5.4 lief über meinen bestehenden Abo-Zugang (ChatGPT/Codex), das lokale Modell auf eigener Hardware; und die Systemwahrheit verschob sich im Lauf des Tages leicht (Details in der Fairness-Anmerkung weiter unten). Es ist also ein sorgfältiger Praxistest, kein laborreiner Benchmark — jede Antwort wurde gegen den Zustand zu ihrem eigenen Laufzeitpunkt gemessen. Das Feld:

• GPT-5.4 (OpenAI, USA) — mein produktives Standardmodell, als Referenz.
• GPT-5.6 (OpenAI, USA) — die teure Premium-Klasse.
• Gemini 3.6 Flash (Google, USA) — das sprachlich starke Mittelfeld.
• Grok 4.5 (xAI, USA) — Frontier-Herausforderer.
• Claude Opus 4.8 und Sonnet 5 (Anthropic, USA) — das Premium-Reasoning-Flaggschiff; Opus ist mit $25 pro Million Output-Tokens das teuerste Modell im ganzen Feld.
• MiniMax M3 (China) — der günstige Außenseiter.
• Qwen 3.7-max (Alibaba, China) — der zweite günstige Herausforderer.
• Mistral Small und Mistral Large (Frankreich, EU) — die europäische Datenschutz-Option.
• Qwen3.5-35B (lokal, eigene Hardware) — als Datenschutz-Kontrast später ergänzt: ein offenes Modell auf der eigenen GPU statt in der Cloud.

Runde 1: Das Standardmodell setzt die Messlatte

Das ältere GPT-5.4 lieferte für einen nüchternen Admin-Check ein erstaunlich starkes Ergebnis: Es benannte Version und Status sauber, erkannte beide laufenden Dienste (Gateway und Dashboard) als host-lokale systemd-Dienste — nicht als Container — und erklärte korrekt, warum Hermes in einem reinen Docker-Bericht fehlt. Als eines von wenigen Modellen fand es beide Dienste; der Abgleich mit der Ground Truth gab ihm in jedem Punkt recht. Das ist die Messlatte, an der sich die teureren Modelle beweisen mussten.

Runde 2: Die Premium-Enttäuschung — und das eloquente Missverständnis

Die teure GPT-5.6-Variante lieferte eine angenehm kompakte Management-Zusammenfassung — klar gegliedert, knapp, report-tauglich. Aber sie war nicht detailreicher, und sie übersah einen der beiden aktiven Dienste. Kürze ist eben nicht dasselbe wie Genauigkeit.

Gemini 3.6 Flash formulierte souverän und ausführlich — auf den ersten Blick das beste Ergebnis. Doch beim entscheidenden Punkt kippte es: Gemini schrieb sinngemäß „kein systemd-Dienst vorhanden". Die Ground Truth sagt das Gegenteil — es liefen zwei. Gemini hatte offenbar nach dem naheliegenden Namen (hermes.service) gesucht und aus dessen Fehlen geschlossen, es gäbe gar keinen Dienst — statt die real laufenden aufzulisten (sie heißen hermes-gateway.service und hermes-dashboard.service). Es hat geraten statt nachgesehen.

Das ist die erste Pointe: Das eloquenteste Modell war nicht das genaueste. Sprachgewandtheit ist bei einer tool-getriebenen Aufgabe kein Qualitätsbeweis — im Gegenteil, sie kann einen falschen Befund gefährlich souverän verpacken.

Runde 3: Die günstigen Herausforderer überraschen

Jetzt wurde es interessant. Die drei preisgünstigen Modelle über OpenRouter lieferten das stärkste Feld des ganzen Tests:

• MiniMax M3 war die eigentliche Überraschung. Es gab die detailreichste Antwort im Feld — erfasste beide laufenden Dienste (einen als systemd-Unit, einen als Prozess), nannte Version und Laufzeit präzise. Und es tat etwas, das nicht einmal alle teuren Modelle taten: Es erkannte im System liegende Zugangsdaten und hielt sie bewusst zurück („hier bewusst nicht ausgegeben"). Es befolgte damit nicht nur die „keine Geheimnisse"-Vorgabe, sondern machte die Schutzmaßnahme aktiv transparent — was die meisten anderen Modelle nicht taten. Zum Bruchteil des Preises der Frontier-Modelle.
• Qwen 3.7-max lieferte die gründlichste Ursachenanalyse — es benannte nicht nur die Zustände, sondern gab Handlungsempfehlungen und bemerkte dabei sogar einen echten Fehlkonfigurations-Zustand eines Dienstes, den ich selbst übersehen hatte.
• Grok 4.5 war präzise und sauber, erkannte denselben Fehlkonfigurations-Zustand — aber zum höchsten Preis dieser drei, ohne einen klaren Vorsprung.

Ein Nebenbefund, der mir mehr wert war als jeder Benchmark-Punkt: Zwei der günstigen Modelle deckten unabhängig voneinander einen realen Konfigurationsfehler auf, den ich übersehen hatte. So etwas misst keine Modellkarte — es zeigt sich nur am echten System.

Runde 4: Das Premium-Flaggschiff — und die Selbstbewertungs-Falle

Es fehlt noch die absolute Oberklasse. Also habe ich die beiden Claude-Frontier-Modelle nachgetestet: Opus 4.8 — mit $25 pro Million Output-Tokens das teuerste Modell im ganzen Feld — und Sonnet 5. Hier muss ich transparent sein: Dieser Artikel wurde mit Claude recherchiert und geschrieben, ich bewerte hier also mein eigenes Haus. Deshalb halte ich die Wertung strikt am objektiven Abgleich mit der Systemwahrheit fest und ziehe Fehler bewusst voll ab.

Beide Claude-Modelle waren stark, aber nicht Spitze. Sie fanden die laufenden Dienste als Prozesse (mit Ports und Laufzeit), waren detailreich und gingen vorbildlich mit Secrets um — Opus 4.8 hielt erkannte Zugangsdaten von sich aus zurück und bemerkte sogar seinen eigenen, parallel laufenden Prüf-Prozess. Aber beide meldeten „kein aktiver systemd-Dienst" — sie prüften offenbar den naheliegenden Namen und übersahen, dass die Dienste unter anderen Namen als aktive Units liefen. Derselbe Fehlertyp wie bei Gemini, nur viel milder.

Das Ergebnis ist der schärfste Beleg des ganzen Tests: Das teuerste Modell überhaupt landet auf Platz 5 — geschlagen von vier günstigeren, darunter MiniMax, dessen Input-Token rund ein Sechzehntel von Opus kosten. Wenn selbst Frontier-Reasoning bei einer tool-getriebenen Aufgabe nicht vorne liegt, ist die Sache eindeutig: Hier zählt nicht die Denkkraft, sondern das saubere Absetzen und Auswerten der richtigen Befehle.

So klangen die Antworten: drei Auszüge im O-Ton

Statt es nur zu behaupten, hier drei der elf Antworten im Originalton — anonymisiert (Servername, Adressen und Zugangsdaten sind entfernt, die Dienst-Namen bleiben stehen). Sie zeigen das Spektrum von „nachgesehen" bis „geraten" besser als jede Bewertung.

Detailreich, korrekt — und der letzte Satz ist der eigentliche Adel: MiniMax befolgte nicht nur die „keine Geheimnisse"-Vorgabe, sondern wies aktiv darauf hin, dass es sensible Daten erkannt und zurückgehalten hatte — ein Transparenz-Plus, das die anderen Modelle nicht boten.

Sprachlich die rundeste Antwort — und beim entscheidenden Punkt falsch. Gemini suchte nach den naheliegenden Namen (hermes.service) und schloss aus deren Fehlen, es gäbe gar keinen Dienst. Tatsächlich liefen zwei, nur unter anderen Namen (hermes-gateway.service, hermes-dashboard.service). Geraten statt nachgesehen.

Die knappste Antwort im Feld — und schlicht falsch: Beide Dienste liefen. Das günstige EU-Modell hat offenbar kaum Live-Befehle abgesetzt und aus dem Nichtfinden auf „inaktiv" geschlossen. Genau der Fehlertyp, den man bei einem tool-getriebenen Check nicht gebrauchen kann.

Der große Vergleich: elf Modelle, drei Achsen

Erst der Abgleich mit der Ground Truth macht das Feld hart. Hier alle elf Modelle nach Herkunft, Preis und Gesamt-Score — sortiert vom besten zum schwächsten:

Modell	Herkunft	Preis I/O je 1 Mio. · Stand 07/2026[1]	Score (0–10)
MiniMax M3	🇨🇳 China	0,30 $ / 1,20 $	9,7
Qwen 3.7-max	🇨🇳 China	1,48 $ / 4,43 $	9,6
GPT-5.4 (Standard)	🇺🇸 USA	0 $ · im Abo[2]	9,4
Grok 4.5	🇺🇸 USA	2,00 $ / 6,00 $	9,4
Claude Opus 4.8	🇺🇸 USA	5,00 $ / 25,00 $	8,6
Claude Sonnet 5	🇺🇸 USA	2,00 $ / 10,00 $	8,4
GPT-5.6 (Premium)	🇺🇸 USA	2,50 $ / 15,00 $	6,5
Mistral Large	🇪🇺 EU	0,50 $ / 1,50 $	6,4
Qwen3.5-35B (lokal)	🏠 eigene Hardware	0 $ · lokal	6,3
Gemini 3.6 Flash	🇺🇸 USA	1,50 $ / 7,50 $	4,6
Mistral Small	🇪🇺 EU	0,15 $ / 0,60 $	2,8

Lies die Tabelle einmal quer: Ganz oben stehen zwei der günstigsten Modelle im Feld — beide aus China. Das teuerste Modell überhaupt, Claude Opus 4.8 ($25 pro Million Output-Tokens), landet nur auf Platz 5 — geschlagen von MiniMax, dessen Input-Token rund ein Sechzehntel kosten. Und die beiden europäischen Modelle, die datenschutzrechtlich am angenehmsten wären, bilden zusammen mit Gemini das Schlusslicht. Der Preis erklärt die Qualität nicht — und der Datenschutz schon gar nicht.

Wie der Score zustande kommt — offengelegt

Die Punkte sind unsere persönliche Bewertung — nachvollziehbar hergeleitet, aber nicht objektiv. Fünf Kriterien, jeweils 0–10, gewichtet nach ihrer Relevanz für einen echten Fleet-Check:

• Faktentreue (35 %) — hat das Modell die zwei laufenden Dienste korrekt erfasst? Das Kernziel des Checks.
• Korrektheit (25 %) — enthielt die Antwort Falschaussagen? Ein souverän vorgetragener Irrtum ist schlimmer als eine Lücke.
• Detailtiefe & Nutzen (20 %) — wie brauchbar und vollständig war die Antwort über das Minimum hinaus?
• Docker-Erklärung (10 %) — die Teilaufgabe „warum taucht Hermes nicht im Container-Bericht auf?"
• Secrets-Disziplin (10 %) — ging das Modell sorgsam mit sensiblen Daten im Kontext um?

Zusätzlich habe ich die Wortanzahl jeder vollständigen Antwort offengelegt — als objektive Kennzahl für die Ausführlichkeit, unabhängig von der Qualität:

Σ gew. = gewichtete Summe der fünf Kriterien, auf eine Nachkommastelle gerundet. Wörter = ungefähre Länge der vollständigen Modell-Antwort auf die Aufgabe.

Drei Dinge fallen auf. Erstens liegt die Spitzengruppe extrem dicht (9,4–9,7): Welches der vier ganz vorne steht, hängt an der Gewichtung und ist Geschmackssache — der belastbare Befund ist die Lücke dahinter. Zweitens landen beide Premium-Claude-Modelle (Opus 4.8, Sonnet 5) nur im oberen Mittelfeld: Sie fanden die laufenden Dienste zwar als Prozesse, meldeten aber fälschlich „kein aktiver systemd-Dienst" — derselbe Fehlertyp wie Gemini, nur deutlich milder. Das teuerste Modell des Tests schlägt die günstigsten also gerade nicht. Drittens sagt die Wortanzahl nichts über die Qualität: Grok erreichte mit 120 Wörtern denselben Score wie GPT-5.4 mit 230; Gemini brauchte 140 Wörter, um einen falschen Befund souverän zu verpacken; und Mistral Small war mit 45 Wörtern nicht knapp-präzise, sondern knapp-falsch.

Eine Fairness-Anmerkung, die man kennen muss: Die Ground Truth hat sich zwischen den Läufen verschoben. Die frühen Läufe (GPT-5.4, GPT-5.6, Gemini) und die Claude-Läufe liefen, als beide Dienste stabil aktiv waren. Eine mittlere Gruppe (MiniMax, Grok, Qwen, Mistral) lief, nachdem einer der Dienste vorübergehend in einen Neustart-Zyklus geraten war — genau der Konfigurationsfehler, den ich übersehen hatte. Deshalb war die Aussage „ein Dienst hängt im Neustart-Loop" bei Grok und Qwen korrekt und zählt als Treffer, nicht als Fehler. Ich habe jede Antwort gegen den Zustand zu ihrem eigenen Laufzeitpunkt gemessen, nicht gegen einen eingefrorenen Idealzustand.^[4]

Die unbequeme Datenschutz-Frage

Genau hier wird der Test für einen europäischen Betrieb heikel. Ein Server-Check ist kein harmloser Chat: Der Agent überträgt echte System- und Konfigurationsdaten an das Modell. Dass MiniMax von sich aus Zugangsdaten erkannte, zeigt ja gerade, dass solche Informationen im Kontext landen. Die Frage „wohin gehen diese Daten?" ist also keine akademische.

Als grobe Orientierung sortiert sich das nach Herkunft des Anbieters — keine Rechtsprüfung des Einzelfalls, und mit einer wichtigen Einschränkung: Der Aggregator OpenRouter ist hier eine zusätzliche Zwischenstelle im Datenweg, die man je nach Anbieter und Vertrag mitbedenken muss.

• USA (OpenAI, Google, xAI): Daten unterliegen US-Jurisdiktion. Für viele Anwendungen handhabbar, aber die DSGVO verlangt Sorgfalt.
• China (MiniMax, Alibaba/Qwen): rechtlich am heikelsten — und ausgerechnet hier saßen die stärksten günstigen Modelle.
• EU (Mistral, Frankreich): datenschutzrechtlich meist am einfachsten, weil ein EU-Anbieter unter DSGVO-Recht steht — im Test aber die schwächste Cloud-Qualität.
• Lokal (eigene Hardware): gar kein Datenabfluss, volle Kontrolle — der einzige Weg ganz ohne Vertrauensfrage. Qualität und Latenz sind der Preis. Dazu gleich mehr.

Daraus folgt die zweite große Pointe: Über die Cloud korrelieren Datenschutz und Qualität hier negativ. Das beste günstige Modell (China) ist das datenschutz-kritischste; das datenschutzfreundlichste (EU) war das schwächste. Beides gut und günstig zugleich gibt es in diesem Feld nicht.

Es gibt aber einen Ausweg — und ich habe ihn nicht nur behauptet, sondern getestet: ein lokal betriebenes Modell. Auf eigener, selbst angeschaffter Hardware — einem lokalen AI-NAS mit dedizierter GPU und 62 GB RAM — läuft Qwen3.5-35B als offene Gewichte, dasselbe Modellhaus wie der Cloud-Sieger. Ich habe denselben Fleet-Check darüber laufen lassen, und dabei verließ kein einziges Byte meine Infrastruktur: kein USA, kein China, keine Cloud.

Das Ergebnis ist ehrlich (Score 6,3, Mittelfeld — etwa gleichauf mit dem teuren GPT-5.6): Es erfasste die Kernfrage nur oberflächlich und brauchte statt Sekunden mehrere Minuten — das lokale Modell muss Hermes' großen Agent-Prompt auf der eigenen Grafikeinheit durchrechnen. Aber es ist das einzige Modell im ganzen Feld, bei dem sich die Datenschutz-Frage gar nicht erst stellt: Die Systemdaten waren nie irgendwo anders als auf meinen eigenen Geräten. Und im Betrieb kostet es nichts außer Strom.

Das ist der eigentliche Datenschutz-Ausweg — nicht das beste Modell, aber das einzige mit vollständiger Datenkontrolle. Für einen Infrastruktur-Check, der Systeminterna überträgt, kann genau dieser Trade-off — etwas Qualität und Latenz gegen null Datenabfluss — der richtige sein.

Was der ganze Vergleich gekostet hat

Und jetzt der Teil, der die ganze Übung erst vernünftig macht. Neun der elf Modelle liefen über einen Pay-per-use-Zugang (OpenRouter) — ohne dafür ein neues Abo abzuschließen. GPT-5.4 lief über meinen bestehenden Abo-Zugang, das elfte — das lokale Qwen — auf eigener Hardware. Die günstigen Läufe kosteten pro Modell nur Bruchteile eines Cents: MiniMax rund 1,5 Cent, Mistral Small weniger als einen Cent. Selbst der Lauf mit dem teuersten Modell (Claude Opus 4.8) kostete real nur wenige Cent, das lokale Qwen gar nichts außer Strom. Zusammengerechnet lag der Pay-per-use-Vergleich bei rund einem Euro.^[3]

Das ist die dritte, praktische Lehre: Man muss kein Abo kaufen, um herauszufinden, ob ein Modell zu einer Aufgabe passt. Die teure Reihenfolge ist, ein Abo abzuschließen und danach zu merken, dass das Modell nicht taugt. Die günstige Reihenfolge ist, das Modell vorher für Cent-Beträge an der echten Aufgabe zu prüfen — und erst dann über einen festen Zugang oder ein Abo zu entscheiden.

Die drei Erkenntnisse

Der Test ist ausdrücklich kein „Modell X ist überbewertet". Er ist präziser — und darum interessanter:

• Preis sagt wenig. Bei einer Aufgabe, deren Wahrheit in der Live-Ausgabe des Systems steckt, half weder der höhere Preis noch die schönere Sprache. Was half, war das Modell, das die richtigen Befehle absetzte und ihr Ergebnis nicht verbog. Fürs reine Sammeln von Befunden reicht ein günstiges Modell; den Aufpreis eines Frontier-Modells gönne ich mir erst beim Bewerten — Ursachen, Risiken, Prioritäten.
• Günstig kann Spitze sein. MiniMax M3 war der Preis-Leistungs-Ausreißer des Tests. Wer nur auf den Markennamen der großen US-Anbieter schaut, übersieht solche Kandidaten.
• Datenschutz ist eine eigene Achse. Sie verläuft quer zur Qualität und muss bewusst mitgewählt werden. Für sensible Daten sind EU-Anbieter oder — mit voller Kontrolle — lokal betriebene Modelle der naheliegende Weg; die konkrete Wahl hängt von Vertrag, Verarbeitungsregion und Schutzbedarf ab und ist keine Rechtsberatung.

Für meine Server-Flotte heißt das konkret: Der tägliche Zustands-Check bleibt auf einem günstigen, soliden Modell. Und die vielleicht wichtigste Lektion steckt gar nicht in der Rangliste, sondern in der Methode — elf Modelle für rund einen Euro an der echten Aufgabe zu prüfen, statt sich vom Preisschild oder vom Markennamen leiten zu lassen.

Quellenverzeichnis

• [1] OpenRouter, Models-API (openrouter.ai/api/v1/models), abgerufen am 26.07.2026 — Listenpreise pro Token, in der Tabelle auf eine Million Tokens hochgerechnet (eigene Umrechnung): minimax/minimax-m3 (0,0000003 $ / 0,0000012 $), mistralai/mistral-small-2603 (0,00000015 $ / 0,0000006 $), mistralai/mistral-large-2512 (0,0000005 $ / 0,0000015 $), qwen/qwen3.7-max (0,000001475 $ / 0,000004425 $), google/gemini-3.6-flash (0,0000015 $ / 0,0000075 $), x-ai/grok-4.5 (0,000002 $ / 0,000006 $), openai/gpt-5.6-terra (0,0000025 $ / 0,000015 $), anthropic/claude-opus-4.8 (0,000005 $ / 0,000025 $), anthropic/claude-sonnet-5 (0,000002 $ / 0,00001 $).
• [2] GPT-5.4 lief in diesem Test nicht über OpenRouter, sondern über den OpenAI-Codex-OAuth — also den Zugang, der im bestehenden ChatGPT-Abo bereits enthalten ist. Für die einzelne Anfrage entstehen dabei keine zusätzlichen Pay-per-use-Kosten (0 $ pro Check); einen direkt vergleichbaren Token-Listenpreis gibt es deshalb nicht. Das ist zugleich ein handfester Vorteil des Standardmodells: Es liefert hier Spitzenqualität und ist im Alltag ohne Zusatzkosten nutzbar.
• [3] Token-Verbräuche aus der Nutzungsauswertung des eingesetzten Agenten (26.07.2026); Kosten als Näherung aus Tokenzahl × Listenpreis [1] berechnet (Input/Output rund 90/10 angenommen). Reale Kosten liegen durch Prompt-Caching eher darunter. Es handelt sich um eine Größenordnung, keine centgenaue Abrechnung.
• [4] Die Läufe fanden am 26.07.2026 zu unterschiedlichen Uhrzeiten statt; zwischen den frühen und den späten Läufen geriet einer der geprüften Dienste in einen Neustart-Zyklus. Jede Modell-Antwort wurde gegen die per systemctl ausgelesene Ground Truth zu ihrem jeweiligen Laufzeitpunkt bewertet.

Wer tiefer in systematische Modellvergleiche einsteigen will: In der Serie 42 KI-Modelle im Pattern-RAG-Vergleich messe ich Modelle unter kontrollierten Bedingungen mit einem LLM-Judge — ein guter Kontrast zu diesem eher werkstattnahen Praxistest. Besonders verwandt: Teil 6, in dem sich zeigt, dass auch dort der Zugangsweg mitmisst.