Essen vom Foto erfassen: das lokale Modell trifft am besten
Wir haben sechs Modelle dasselbe Foto analysieren lassen — vom lokalen Modell auf der eigenen GPU bis zum teuersten Frontier-Modell. Das lokale, in Europa gebaute Pixtral erkennt jedes getestete Gericht richtig und liegt damit vor jedem Frontier-Modell — bei 0 Euro und rund fünfmal weniger Strom.
Methodik: 5 Fälle · Judge-Panel (Median): gemini-2.5-flash, mistral-small. „Format" = deterministische Hard-Checks (gültiges Schema etc.). Die Judge-Modelle stehen selbst im Feld — ein Modell benotet sich nie selbst (Self-Ausschluss), aber Panel und Kandidaten überlappen, eine Peer-Bevorzugung ist nicht ausgeschlossen. Quelle:services/mana-evals.
Nutriphi erfasst Mahlzeiten aus einem Foto: ein Bild rein, Gericht und Nährwerte als JSON raus. Die Aufgabe ist multimodal — das Modell muss sehen, benennen und schätzen. Wir haben sechs Modelle dieselben Fotos analysieren lassen: drei lokal auf unserer GPU, drei der teuersten Frontier-Modelle aus der Cloud.
Das Ergebnis ist deutlich. Pixtral, ein in Frankreich gebautes Modell auf unserer eigenen Karte, erkennt jedes getestete Gericht richtig — vom einzelnen Apfel bis zur vollen Sushi-Platte. Damit liegt es vor jedem Frontier-Modell, das wir geprüft haben. Claude Opus und GPT-5.5 sind dicht dahinter, kosten aber pro Foto echtes Geld und schicken das Bild in eine fremde Cloud. Gemini 3.1 Pro ist im Test das teuerste und langsamste Modell — und liefert das strukturierte Foto-JSON am unzuverlässigsten.
Zwei lokale Modelle fallen ab. Gemma 4 erkennt die Gerichte zuverlässig, überschätzt aber die Kalorien — eine Orange mit 165 statt rund 80. Das chinesische Qwen3-VL scheitert reproduzierbar an jedem zusammengesetzten Teller: Es denkt 25 Sekunden und gibt am Ende kein gültiges JSON zurück. Für eine einzelne Frucht reicht es, für einen echten Teller nicht.
Der Teil, der selten gemessen wird, ist der Strom. Die GPU läuft bei jedem Modell nahe Volllast — was zählt, ist die Dauer, und die hängt an den erzeugten Tokens. Pixtral schreibt nur die Antwort, rund 90 Tokens. Die anderen lokalen Modelle denken sich durch Hunderte bis über tausend Tokens, bevor sie antworten. Eine Essens-Erfassung kostet so mit Pixtral 0,36 Wattstunden, mit Gemma 4 das Fünffache. Eine einzige Handy-Ladung reicht für rund 43 Analysen mit Pixtral — oder acht mit Gemma 4.
Das ist Souveränität in Zahlen: Die häufigste Aufgabe von Nutriphi läuft genauer, schneller und sparsamer auf einem Modell, das uns nichts kostet und das Foto nie das Haus verlassen lässt.
Der Gegenpunkt
Fünf Bilder pro Modell sind ein Signal, kein Beweis. Ein vertiefter Lauf über fünfzehn Bilder bestätigte den Befund für die lokalen Modelle und maß den Stromverbrauch. Kalorien aus einem einzelnen Foto sind grundsätzlich unscharf, weil die Portionsgröße nicht eindeutig ablesbar ist — wir prüfen darum gegen ein Plausibilitätsband, nicht gegen einen exakten Wert. Die Strom-Zahlen gelten für unsere RTX 3090; auf anderer Hardware verschiebt sich das Bild.