Der Reddit-Nutzer synth_mania beschreibt zwei konkrete Agenten-Aufgaben, die er Qwen3.8-27B gestellt hat – beide liefen vollständig autonom ab. Im ersten Fall übergab er dem Modell nur seine Uni-Zugangsdaten und den Namen seiner Universität; das Modell navigierte selbstständig durch eine komplexe Struktur von Hochschulwebseiten und extrahierte den Stundenplan ohne einen einzigen manuellen Eingriff – bei insgesamt 80 Tool-Calls. Im zweiten Szenario beauftragte er das Modell, einen Social-Media-Nutzer zu recherchieren: Es fand ein öffentliches Video, lud es herunter, extrahierte im Sekundentakt Frames, um den Videoinhalt visuell zu erfassen, installierte dann eigenständig OpenAI Whisper zur Laufzeit und transkribierte den Ton. Anschließend zoomte es gezielt in relevante Frames hinein und optimierte die Helligkeit, um Details besser erkennen zu können. Bemerkenswert ist, dass das Modell dabei Software selbst nachinstalliert – ein Verhalten, das typischerweise menschliche Zwischenschritte erfordert. Die verwendete Quantisierung Q4_K_S von Unsloth mit KV-Cache-Quantisierung auf Q8 erlaubt den Betrieb auf einer einzelnen RTX 3090 bei einem Kontextfenster von 150.000 Tokens. Der Post verdeutlicht, dass leistungsfähige Agenten-Workflows inzwischen auf Consumer-Hardware ohne Cloud-Anbindung realisierbar sind.