Kann ich QwQ 32B Preview lokal ausführen?

Nein – die Gewichte sind nicht öffentlich, daher ist die Nutzung nur über eine API möglich.

Was kostet es und wie lang ist der Kontext?

Qwen berechnet $0,12 pro Million Eingabetoken und $0,18 pro Million Ausgabetoken, mit einem Kontextfenster von 32.768 Token.

Worin unterscheidet sich dieses Modell von einem Standard-Qwen-Chatmodell?

QwQ ist speziell für bedachtes, mehrstufiges Reasoning gebaut, nicht für schnelle Konversationsantworten; es ist außerdem ein experimentelles Preview, keine Produktionsversion.

QwQ 32B Preview

3579°

#llm #qwen #logik #mathematik #programmieren #forschung

Läuft auf Graydient

DeepInfra öffnen

Modell ausführen

Angebote / Werbung

Easy Creator (Prism) Web

Unbegrenzt · Pauschalpreis

Am besten für Anfänger. Leistungsstarke Workflows, geringe Lernkurve.

PirateDiffusion Telegram

Unbegrenzt · Pauschalpreis

Erstelle Videos, Bilder, individuelle Chat-Personas und mehr.

Pro studio (SpyGlass) Web

Unbegrenzt · Pauschalpreis

Durchsuche Modelle, rendere und verfeinere von jedem Browser oder Handy aus.

Discord bot (Vector)

Unbegrenzt · Pauschalpreis

Füge Vector zu deinem Server hinzu oder tritt dem Vector Discord bei. Erschaffe alles!

Unified Editor Web

Unbegrenzt · Pauschalpreis

Editor für Bilder und Videos: rendern, bearbeiten, hochskalieren und mehr auf einer Seite.

Lokale Apps

Einrichtung erforderlich

Richte lokale Programme ein, wenn dein Computer leistungsstark genug ist.

ModelDuel Web

Bezahlen pro Nutzung

Erzeuge denselben Prompt gleichzeitig auf bis zu 50 Checkpoint-/Basismodellen.

GPU in der Cloud mieten

Graydient Cloud GPU

Unbegrenzt · Pauschalpreis

Pauschalpreis, unbegrenzte Nutzung. Dieses Modell mit einem Klick installieren.

RunPod Cloud GPU

Abrechnung pro Minute

GPU pro Minute mieten und Modell selbst einrichten.

Anleitungen zu diesem Modell

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Qwen | 32.768 Token Kontext | $0,12/M Eingabe, $0,18/M Ausgabe. QwQ ist ein experimentelles Forschungsmodell des Qwen-Teams, entwickelt zur Förderung der KI-Reasoning-Fähigkeiten. Dieses Modell verkörpert den Geist philosophischer Fragestellung, nähert sich Problemen mit echtem Staunen und Zweifel. QwQ zeigt beeindruckende analytische Fähigkeiten und erzielt 65,2 % bei GPQA, 50,0 % bei AIME, 90,6 % bei MATH-500 und 50,0 % bei LiveCodeBench. Mit seinem nachdenklichen Ansatz und außergewöhnlicher Leistung bei komplexen Problemen.

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

QwQ 32B Preview ist ein experimentelles Reasoning-Modell von Qwen, entwickelt, um schwierige Probleme gründlich zu durchdenken, statt sie schnell zu beantworten. Es erzielt starke Benchmark-Ergebnisse bei wissenschaftlichen Aufgaben auf Graduierten-Niveau, Wettbewerbs-Mathematik und Programmierung. Sein bedachtes, selbstkritisches Vorgehen unterscheidet es von Standardmodellen mit Instruktionsanpassung. Wenn Sie ein Modell brauchen, das ein Problem Schritt für Schritt durchdenkt und seine Überlegungen zeigt, lohnt sich ein Versuch zu einem Preis, der nicht weh tut.

Bekannt für

Starke Leistung bei Wettbewerbs-Mathematik und wissenschaftlichen Problemen auf Graduierten-Niveau.
Bedachtes, kettenartiges Denken mit sichtbarer Selbstkorrektur.
Solide Programmier-Benchmark-Ergebnisse auf LiveCodeBench.
Niedriger API-Preis im Verhältnis zur Reasoning-Fähigkeit.

Achte auf

Gewichte sind nicht offen; Zugriff nur über API, keine lokale Bereitstellung.
32.768 Token Kontext sind moderat – lange Dokumente oder ausgedehnte Gespräche stoßen an die Grenze.
Als Preview- und Forschungsmodell gekennzeichnet; erwarten Sie Unsauberkeiten und inkonsistentes Verhalten.

Am besten für

Prompts zum Ausprobieren

Fermi-Schätzung mit Arbeitsweg

Wie viele Klavierstimmer gibt es in Tokio? Arbeite deine Schätzung Schritt für Schritt durch, nenne jede Annahme und markiere, wo deine Unsicherheit am größten ist. Gib dann eine endgültige Zahl mit einer groben Vertrauensspanne an.

Beweis prüfen und korrigieren

Hier ist ein Schülerbeweis, dass die Quadratwurzel aus 2 rational ist. Finde jeden logischen Fehler, erkläre, warum jeder Schritt fehlschlägt, und schreibe dann einen korrekten Beweis, dass die Quadratwurzel aus 2 irrational ist. Schülerbeweis: Angenommen √2 = a/b in gekürzter Form. Dann gilt 2 = a²/b², also a² = 2b². Da a² gerade ist, ist a gerade, also schreibe a = 2k. Dann gilt 4k² = 2b², also b² = 2k², was bedeutet, dass auch b gerade ist. Daher ist √2 rational.

Algorithmus-Design und Kompromisse

Ich muss die Top-k häufigsten Wörter in einem Textstrom finden, wobei k klein ist (z. B. 10) und der Strom zu groß zum Speichern ist. Erkläre mindestens zwei algorithmische Ansätze, vergleiche deren Zeit- und Speicherkomplexität, identifiziere die Kompromisse und empfehle einen mit Begründung.

Vergleichen mit

Qwen3 30B A3B Thinking 2507
Nur API-Modell
81,920 Token Kontext · $0.20/M Eingabe, $2.40/M Ausgabe
Qwen3 VL 235B A22B Thinking
Nur API-Modell
131,072 Token Kontext · $0.40/M Eingabe, $4.00/M Ausgabe
Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3 VL 32B Instruct
Nur API-Modell
131,072 Token Kontext · $0.10/M Eingabe, $0.42/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich QwQ 32B Preview lokal ausführen?: Nein – die Gewichte sind nicht öffentlich, daher ist die Nutzung nur über eine API möglich.
Was kostet es und wie lang ist der Kontext?: Qwen berechnet $0,12 pro Million Eingabetoken und $0,18 pro Million Ausgabetoken, mit einem Kontextfenster von 32.768 Token.
Worin unterscheidet sich dieses Modell von einem Standard-Qwen-Chatmodell?: QwQ ist speziell für bedachtes, mehrstufiges Reasoning gebaut, nicht für schnelle Konversationsantworten; es ist außerdem ein experimentelles Preview, keine Produktionsversion.

Captain's Urteil
Ein günstiges, fähiges Reasoning-Modell, das sich für schwierige Mathe- und Wissenschaftsprobleme lohnt – erwarten Sie nur keine offenen Gewichte oder ein langes Kontextfenster.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie man installiert

Wie man Ollama installiert und eine lokale KI betreibt (Windows, Mac, Linux)

Ähnliche Modelle

Gemini 3.1 Flash Lite Preview

KI-Modelle für Bild-, Video- und Texterzeugung

QwQ 32B Preview ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen, prüfe den Hitzewert, um den Trend zu sehen, und öffne es auf PirateDiffusion oder BitVector, um es auszuprobieren.

Weitere Text / LLM-Modelle llm qwen logik mathematik programmieren forschung

Nach Modellfamilie stöbern