Ollama-Cloud-Modelle für shopcheck
Drei Cloud-Modelle bei Ollama, gemessen an dem, was die Aufnahmeprüfung eines Shops wirklich verlangt: strukturierte Extraktion aus mehreren Seiten, belastbare Kriterienbewertung, saubere deutsche Texte und eine Ausgabe, die dem Schema folgt. qwen3.5:397b-cloud deckt diese Mischung am besten ab und ist die Wahl für den Betrieb. kimi-k2.5:cloud ist der Herausforderer für einen Vergleichslauf, deepseek-v3.2:cloud die Rückfallebene.
Inhalt
1. Kurzfazit
Für shopcheck ist qwen3.5:397b-cloud die beste Gesamtwahl. Es passt besonders gut zur strukturierten Extraktion aus mehreren Quellen, es ist stark bei regelbasierten Prüfabläufen, es liefert brauchbare deutsche Ausgaben für deutsche Shop-Texte, und es verträgt lange Kontexte, ohne die strukturierte Ausgabe zu verlieren. Bei Ollama ist es mit den Merkmalen vision, tools, thinking und cloud geführt1.
Der Grund für diese Reihenfolge liegt in der Aufgabe. Die Prüfung erzeugt nicht einfach Text. Sie wertet Quellen aus, bewertet Kriterien, erkennt Widersprüche, erzeugt ein strukturiertes Ergebnis und formuliert dazu deutsche Begründungen. Diese fünf Dinge zusammen entscheiden, und nicht die Stärke in einem davon.
2. Die Modelle nebeneinander
Die Bewertung ist eine Einschätzung anhand der bei Ollama angegebenen Eigenschaften und der Aufgabenstellung, keine Messung an eigenen Fällen. Der Vergleichslauf in Abschnitt 4 ist der Schritt, der aus der Einschätzung eine Messung machen würde.
| Modell | Deutsche Shop-Texte | Schematreue | Eignung für Werkzeuge | Lange Prüfabläufe | Bild und Texterkennung | Gesamt |
|---|---|---|---|---|---|---|
qwen3.5:397b-cloud | 5/5 | 5/5 | 5/5 | 5/5 | 4/5 | beste Gesamtwahl |
kimi-k2.5:cloud | 4/5 | 4/5 | 5/5 | 4/5 | 5/5 | bester Herausforderer |
deepseek-v3.2:cloud | 4/5 | 4/5 | 4/5 | 4/5 | 2/5 | solide Rückfallebene |
3. Einordnung der einzelnen Modelle
qwen3.5:397b-cloud
Die Stärken decken die Aufgabe fast vollständig ab. Das Modell ist gut in strukturierter Extraktion und in evidenzbasierter Bewertung, es hält lange regelgetriebene Abläufe durch, es schreibt brauchbares Deutsch, es passt zu einer Nutzung mit Werkzeugen, und es lässt Reserve für komplexere Aufforderungen und längere Kontexte.
Diese Reserve ist der Punkt, der beim Vergleich am leichtesten untergeht. Eine Prüfung wächst mit jedem Kriterium, das dazukommt, und ein Modell ohne Luft nach oben zwingt dazu, den Ablauf zu zerlegen, sobald er länger wird.
kimi-k2.5:cloud
Der beste Zweitkandidat. Es ist stark bei agentischen Abläufen und interessant, sobald multimodal gearbeitet werden soll, wo es in der Tabelle oben sogar vorne liegt. Es steht knapp dahinter, weil der Ablauf heute vor allem text- und schemaorientiert ist, und in dieser Mischung wirkt Qwen runder.
deepseek-v3.2:cloud
Eine solide Rückfallebene. Das Schlussfolgern ist gut und für längere Abläufe brauchbar. Erste Wahl ist es nicht, weil es bei Mehrsprachigkeit und bei der multimodalen Reserve keinen klaren Vorteil bietet, und beides fällt bei deutschen Shop-Seiten ins Gewicht.
4. Ein Vergleichslauf, der etwas beweist
Zwanzig echte Shops reichen, wenn sie richtig gewählt sind: zehn klare Ablehnungen und zehn Grenzfälle. Die klaren Fälle zeigen, ob ein Modell überhaupt trifft, und die Grenzfälle zeigen den Unterschied zwischen den Modellen, denn dort fällt er an.
Je Modell werden sieben Dinge gemessen. Ob das Verdikt stimmt. Ob die Belege vollständig sind. Ob shippingRegions richtig normalisiert wird. Ob das JSON gültig ist. Wie gut die deutschen Texte sind. Wie oft bei Impressum, Eigentümern und Versandangaben etwas erfunden wird. Und wie lange eine Antwort im Mittel braucht.
Die Halluzinationsrate ist die wichtigste dieser Zahlen
Ein falsches Verdikt fällt beim Nachsehen auf. Eine erfundene Angabe zum Impressum oder zu den Eigentümern eines Shops fällt nicht auf, weil sie genau so aussieht wie eine gefundene. Sie wandert damit in eine Aufnahmeentscheidung, die später niemand mehr in Frage stellt.
5. Operative Entscheidung
| Rang | Modell | Einsatz |
|---|---|---|
| 1 | qwen3.5:397b-cloud | Primärmodell für den Betrieb |
| 2 | kimi-k2.5:cloud | Herausforderer im Vergleichslauf |
| 3 | deepseek-v3.2:cloud | Rückfallebene |
Wer sich heute auf ein Modell festlegen muss, nimmt qwen3.5:397b-cloud. Wer zwei gegeneinander laufen lassen will, nimmt qwen3.5:397b-cloud gegen kimi-k2.5:cloud.
Quellennachweis
Vier Quellen, in der Reihenfolge ihres Auftretens. Der Stand ist der 15. März 2026, und die Modellangaben bei Ollama ändern sich.