Modelle, die „denken können“, haben in Ollama einen Schalter dafür. Die Serie hat ihn von Anfang an ausgeschaltet und das in jedem Beitrag dazugeschrieben: gemessen mit abgeschaltetem Denkmodus. Das klang nach einer sauberen Einschränkung. Es setzt aber voraus, dass der Schalter tut, was sein Name sagt.
Das Ergebnis in einem Satz: Der Schalter entscheidet nicht, ob gedacht wird, sondern wohin das Gedachte geschrieben wird — und bei drei von fünfzehn Modellen schreibt er es nirgendwohin.
Was gemessen wurde
Ollama meldet je Modell seine Fähigkeiten. Gemessen wurden alle, die thinking melden — auf rulestation fünfzehn, auf CT 1100 zwölf. Eine Aufgabe mit genau einer richtigen Lösung: vier Vorträge auf vier Zeitfenster, vier Bedingungen, die letzte Zeile muss ERGEBNIS: 9=…; 10=…; 11=…; 12=… lauten. Je Modell zwei Läufe, fester Seed, einmal think=false, einmal think=true. Sonst ist nichts verändert.
Vorweg das Beruhigende: alle fünfzehn Modelle lösen die Aufgabe richtig, in beiden Stellungen — 9=A; 10=C; 11=D; 12=B. Und die zwölf Modelle, die es auf beiden Rechnern gibt, liefern 22 von 22 Zellenpaaren byteidentisch. Was hier folgt, ist also keine Streuung.
Die Einteilung stand vor den Daten fest
- UNWIRKSAM — Ausgabe byteidentisch mit und ohne Schalter. Er tut für dieses Modell nichts.
- NUR ANZEIGE — Tokenzahl gleich (weniger als 2 Prozent Abweichung), Text verschieden. Das Modell denkt gleich viel, der Schalter verschiebt es nur.
- WIRKSAM — Tokenzahl unterscheidet sich um mindestens 2 Prozent.
Die 2-Prozent-Schwelle ist vorher gesetzt worden, damit Rundungsrauschen nicht als Wirkung durchgeht. Sie erweist sich im Nachhinein als großzügig: die kleinste tatsächlich gemessene Abweichung liegt bei 16 Prozent.
Drei Verhaltensweisen, nicht eine
1. Das Antwortfeld fällt auf eine Zeile zusammen
Bei fünf Modellen schrumpft die Antwort mit eingeschaltetem Schalter auf exakt 31 Zeichen — die Ergebniszeile, sonst nichts. Die Begründung ist nicht verschwunden, sie steht im separaten Denkfeld, das die API getrennt zurückgibt.
| Modell | Antwortfeld think=false | Antwortfeld think=true |
|---|---|---|
deepseek-r1:14b | 2069 Zeichen | 31 |
qwen3:14b | 1870 Zeichen | 31 |
qwen3:8b | 1527 Zeichen | 31 |
laguna-xs-2.1-stop | 1519 Zeichen | 31 |
So sieht das aus. qwen3:8b mit ausgeschaltetem Schalter, gekürzt:
Wir suchen eine Zuordnung der Vorträge A, B, C, D zu den Zeitfenstern 9, 10, 11, 12 Uhr,
sodass alle Bedingungen erfüllt sind.
[…]
✅ **Alle Bedingungen erfüllt.**
### ERGEBNIS: 9=A; 10=C; 11=D; 12=BDasselbe Modell, Schalter an — das vollständige Antwortfeld:
ERGEBNIS: 9=A; 10=C; 11=D; 12=BDas ist der praktisch wichtigste Befund des ganzen Tests. Wer die Antwort so ausliest, wie es die meisten tun — Feld response nehmen und anzeigen —, bekommt bei diesen Modellen mit eingeschaltetem Denkmodus eine Zeile ohne jede Begründung und merkt nicht, dass er das Denkfeld hätte mitlesen müssen.
2. Es wird nirgends aufgeschrieben
Bei drei Modellen bleibt das Denkfeld mit eingeschaltetem Schalter leer — und das Antwortfeld ändert sich trotzdem:
| Modell | think=false | think=true | Denkfeld |
|---|---|---|---|
qwq:32b | 5060 Zeichen | 3948 | leer |
ornith-abliterated:35b | 1978 Zeichen | 4994 | leer |
qwen3.6-abliterated-max:35b | 3921 Zeichen | 8220 | leer |
qwq:32b ist der unangenehme Fall: die Antwort wird um 16 Prozent kürzer, und im Denkfeld steht nichts. Der Unterschied taucht an keiner Stelle der Antwort auf. Die beiden Fassungen sind bis Zeichen 549 gleich und laufen dann auseinander — es ist nicht dieselbe Überlegung, gekürzt, sondern eine andere.
Nebenbei aufgefallen, in beiden Stellungen: qwq:32b beendet seine Überlegung mit </think>, ohne dass jemals ein <think> geöffnet wurde. Ein einzelnes schließendes Tag mitten im Text. Wer darauf eine Auswertung baut, teilt an einer Marke, die es so nicht gibt.
3. Der Schalter tut gar nichts
Bei huihui_ai/qwen3-vl-abliterated:30b-a3b-Thinking sind die Ausgaben mit und ohne Schalter byteidentisch — auf beiden Rechnern. Dasselbe gilt auf CT 1100 für die 8B-Fassung desselben Modells. Beide antworten in jeder Stellung mit derselben einen Zeile und legen ihre Überlegung ins Denkfeld, ob man es verlangt oder nicht.
Und der Rest
Bei den übrigen Modellen greift der Schalter wie erwartet, teils drastisch: glm-4.7-flash +336 Prozent Token, huihui gemma-4-abliterated +178 Prozent, gemma4:26b +124 Prozent, qwen3:8b +108 Prozent, ornith:35b +105 Prozent. Bei diesen ist die Einschränkung „mit abgeschaltetem Denkmodus gemessen“ genau das, wonach sie klingt.
Die Bilanz über fünfzehn Modelle: bei dreizehn greift der Schalter, bei einem tut er nichts, bei einem sagt der Lauf nichts — dazu gleich mehr. Von den dreizehn ist einer nur der Richtung nach belegt: qwen3.6-abliterated-max:35b lief mit eingeschaltetem Schalter in die Generierungsgrenze, die +82 Prozent sind eine Untergrenze und kein Messwert.
Drei eigene Fehler
Der erste steht seit dem 2. August in vierzehn Beiträgen. Der dortige Korrekturhinweis nennt zwei Zahlenpaare als Beleg: gemma4:26b 562 → 2716 Token und qwen3:8b 730 → 1276. Beim Nachrechnen stammen die beiden Hälften jedes Paares aus verschiedenen Aufgaben: 562 ist die Planungsaufgabe, 2716 das Rätsel; 730 ist die Rechnung, 1276 wieder die Planung. Verglichen gehört, was denselben Prompt hat. Richtig lauten sie 562 → 1261 (Planung) und 730 → 1448 (Rechnung). Die Aussage des Hinweises ändert sich dadurch nicht — der Schalter greift bei beiden Modellen —, aber die Zahlen daneben waren falsch gepaart.
Der zweite ist die Reihenfolge im Prüfstand. Er misst je Modell erst think=false, dann think=true, nach frischem Laden. Wie im vorigen Teil gezeigt, weicht der erste Lauf auf einen Prompt systematisch ab — der Schalter ist hier also mit der Position vermengt. Das lässt sich beziffern: der Positionseffekt bewegte die Tokenzahl um ein Prozent (503 gegen 508, 716 gegen 723). Die kleinste hier als Wirkung gewertete Abweichung liegt bei 16 Prozent. Der Confound ist real und für dieses Ergebnis zu klein. Sauber wäre trotzdem, beide Stellungen mit Vorlauf zu messen.
Der dritte betrifft laguna-xs-2.1. Der Prüfstand stuft es als „nur Anzeige“ ein — gleiche Tokenzahl, anderer Text. Die gleiche Tokenzahl ist hier aber 3000 gegen 3000, also zweimal die Generierungsgrenze. Beide Läufe wurden abgeschnitten. Für dieses Modell sagt der Test nichts, und die Einstufung ist eine Zahl, die nach Ergebnis aussieht. Dieselbe Grenze trifft qwen3.6-abliterated-max:35b auf einer Seite — dort bleibt die Richtung belegt, die Höhe nicht. Es ist derselbe Fehlertyp wie im vorigen Teil, und er ist mir zum zweiten Mal erst beim Nachrechnen aufgefallen, nicht beim Lesen des Protokolls. Das Protokoll erwähnt done_reason nirgends. Das ändere ich im Prüfstand, nicht im Artikel.
Der Schalter hängt am Prompt, nicht nur am Modell
Ein Befund, der mich am meisten überrascht hat. Auf dem älteren Aufgabensatz — Rechnung, Planung, Extraktion, Rätsel, je drei Seeds — sind die Ausgaben von qwq:32b mit und ohne Schalter in 12 von 12 Zellen byteidentisch. Bei den drei anderen dort gemessenen Modellen: 0 von 12. Auf der Vortragsaufgabe dieses Tests ändert sich qwq dagegen sehr wohl.
„Der Schalter tut bei qwq nichts“ ist also keine Eigenschaft des Modells, sondern eine Beobachtung an einem Prompt. Genau so steht es jetzt hier, und genau so hätte es von Anfang an dastehen müssen.
Was das nicht zeigt
- Eine Aufgabe ist eine Aufgabe. Der vorige Absatz ist der Beweis dafür, dass das hier keine Floskel ist: dasselbe Modell verhält sich auf einem anderen Prompt anders.
- Ein Lauf je Stellung. Keine Wiederholung, also auch keine Aussage darüber, wie stabil die einzelne Messung ist. Für die großen Abweichungen ist das unerheblich, für knappe Fälle nicht.
laguna-xs-2.1ist unausgewertet (beide Läufe abgeschnitten), und die Modellauswahl hängt daran, was Ollama alsthinkingmeldet — nicht daran, was ein Modell tatsächlich kann.- Gemessen mit einem festen Seed bei
temperature 0, Ollama 0.32.5, zwei RTX 3090.
Die Hardware und die Regeln, denen jede Messung auf dieser Seite folgt, stehen auf Wie ich messe.
Was ich davon mitnehme
Wer ein denkfähiges Modell einbaut, muss beide Felder auslesen — response und das Denkfeld. Sonst bekommt er bei einem Drittel der hier geprüften Modelle mit eingeschaltetem Schalter eine nackte Ergebniszeile und hält das für die Antwort. Das ist kein Sonderfall: es betrifft deepseek-r1, qwen3:8b, qwen3:14b und laguna-xs-2.1-stop.
Und für die Serie: die Einschränkung „mit abgeschaltetem Denkmodus gemessen“ ist keine Formel, die man unter jeden Beitrag setzen kann. Sie stimmt für zwölf der fünfzehn Modelle. Für eines ist sie gegenstandslos, für zwei ist sie unbelegt, und für qwq:32b hängt sie an der Aufgabe. Eine Einschränkung, die man pauschal dazuschreibt, ohne sie je geprüft zu haben, ist keine Sorgfalt — sie sieht nur so aus.