Der Autor führte einen systematischen Test mit zwei Varianten einer Worträtsel-Aufgabe durch – eine kurze Fassung mit reiner Mathematik und eine längere mit ausführlichem narrativem Kontext – und verglich Ergebnisse über je 10 Durchläufe pro Modell. Die erwartete Antwort lautet 300 Dollar. Bei der kurzen Version antwortet Qwen 3.6 konsistent korrekt, während Qwen 3.5 und Gemma 4 häufig 150 annehmen (falsche Annahme: $5 pro Box). Überraschend performt Qwen 3.6 bei der längeren narrativen Version deutlich schlechter und gibt häufig 150 oder 50 Dollar an, während Gemma 4 die erweiterte Geschichte bevorzugt und das Szenario als Geschäftsproblem mit unterschiedlichen Kauf- und Verkaufspreisen interpretiert. Auch die Quantisierung spielt eine Rolle: IQ2-Modelle überraschten teilweise positiv. Der Post unterstreicht, dass Modelle nicht universal auf Prompts reagieren und dass selbst ähnliche Architekturen erhebliche Unterschiede im Prompting-Bedarf aufweisen.