# Kienzledoku – Modellbenchmark für KI-Dokumentation

60 synthetische Patientengespräche einer Hausarztpraxis, KI-generiert; 30 Fallpaare mit je zwei Varianten.

Stand: 28.10.2026. Acht Modellpakete; 15 GP60-Bewertungsstände und sechs historische GP30-Stände.

[Lesbare HTML-Übersicht mit integrierter Hardwarematrix](Modellqualitaeten.html) · [Alle 60 Testfälle](Testfaelle_GP60.html)

## Übersicht GP60

| Modell | Gewichtete Abdeckung | F | A | T | Zusätze H | Stände |
|---|---:|---:|---:|---:|---:|---:|
| 4B-Q4 | 68,8 % | 18 | 128 | 158 | 15 | 1 |
| 9B-Q4 | 81,4 % | 18 | 58 | 116 | 8 | 1 |
| 9B-Q6 | 82,4 % | 22 | 53 | 104 | 6 | 1 |
| 27B-Q4 | 92,0–93,0 % | 1–2 | 14–17 | 63–85 | 17–20 | 2 |
| 35B-A3B | 82,6 % | 16 | 41 | 137 | 22 | 1 |
| Flash IQ2 | 88,5–90,4 % | 5–10 | 11–24 | 98–114 | 3–8 | 4 |
| Flash XXS | 92,1–92,5 % | 7–12 | 5–8 | 76–83 | 7–24 | 3 |
| Flash S | 91,1–92,5 % | 6–9 | 8–11 | 80–88 | 14–16 | 2 |

Spannen zeigen beobachtete Profile/Bewertungsstände, keine Konfidenzintervalle. V/T/A/F zählen Kriterien, H zusätzliche Aussagen. Nicht addieren.

Beide GP60-Grafiken sind absteigend nach gewichteter Detailabdeckung sortiert.

![GP60-Abdeckung](gp60-abdeckung.svg)

![GP60-Halluzinationen, Fehler und Auslassungen](gp60-fehler.svg)

## Alle Einzelwerte GP60

| Nr. | Modell / Profil | Review | Punkte | Abdeckung | V | T | A | F | F prio. | H | JSON |
|---|---|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| 01 | 4B-Q4 / 32k · 1 Slot | R09 | 990/1440 | 68,8 % | 416 | 158 | 128 | 18 | 12 | 15 | 60/60 |
| 02 | 9B-Q4 / 32k · 1 Slot | R09 | 1172/1440 | 81,4 % | 528 | 116 | 58 | 18 | 13 | 8 | 60/60 |
| 03 | 9B-Q6 / 32k · 1 Slot | R09 | 1186/1440 | 82,4 % | 541 | 104 | 53 | 22 | 14 | 6 | 60/60 |
| 04 | 27B-Q4 / 32k · 1 Slot | R09 | 1339/1440 | 93,0 % | 638 | 63 | 17 | 2 | 0 | 17 | 60/60 |
| 05 | 27B-Q4 / 32k · 1 Slot · Neubewertung | R12* | 1325/1440 | 92,0 % | 620 | 85 | 14 | 1 | 0 | 20 | 60/60 |
| 06 | 35B-A3B / 32k · 1 Slot | R14 | 1189/1440 | 82,6 % | 526 | 137 | 41 | 16 | 9 | 22 | 60/60 |
| 07 | Flash IQ2 / 512 MiB Cache | R11 | 1302/1440 | 90,4 % | 602 | 98 | 15 | 5 | 2 | 6 | 60/60 |
| 08 | Flash IQ2 / 512 MiB Cache | R12 | 1284/1440 | 89,2 % | 585 | 114 | 11 | 10 | 5 | 6 | 59/60 |
| 09 | Flash IQ2 / groß · 12-GiB-Prozessziel | R09 | 1277/1440 | 88,7 % | 586 | 105 | 21 | 8 | 5 | 8 | 60/60 |
| 10 | Flash IQ2 / 6196 MiB Cache | R11 | 1274/1440 | 88,5 % | 584 | 106 | 24 | 6 | 3 | 3 | 60/60 |
| 11 | Flash XXS / 576 MiB Cache | R12 | 1332/1440 | 92,5 % | 625 | 82 | 5 | 8 | 5 | 7 | 60/60 |
| 12 | Flash XXS / 576 MiB Cache | R13 | 1326/1440 | 92,1 % | 625 | 76 | 7 | 12 | 6 | 17 | 60/60 |
| 13 | Flash XXS / 1664 MiB Cache | R13 | 1327/1440 | 92,2 % | 622 | 83 | 8 | 7 | 4 | 24 | 60/60 |
| 14 | Flash S / 640 MiB Cache | R12 | 1332/1440 | 92,5 % | 626 | 80 | 8 | 6 | 4 | 16 | 60/60 |
| 15 | Flash S / 9472 MiB Cache | R14 | 1312/1440 | 91,1 % | 612 | 88 | 11 | 9 | 6 | 14 | 60/60 |

## Alle Einzelwerte GP30 – historisch

| Nr. | Modell / Profil | Review | Punkte | Abdeckung | V | T | A | F | F prio. | H | JSON |
|---|---|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| H01 | 4B-Q4 / 87552 Token · 1 Slot | R05 | 351/480 | 73,1 % | 150 | 51 | 36 | 3 | — | 8 | — |
| H02 | 9B-Q4 / 32k · 1 Slot | R05 | 416/480 | 86,7 % | 185 | 46 | 5 | 4 | — | 5 | — |
| H03 | 9B-Q6 / Originalprofil · 3 Slots | R05 | 429/480 | 89,4 % | 196 | 37 | 4 | 3 | — | 7 | — |
| H04 | 27B-Q4 / 262144 Token · 1 Slot | R05 | 456/480 | 95,0 % | 218 | 20 | 1 | 1 | — | 8 | — |
| H05 | 35B-A3B / 32k · 1 Slot | R08 | 432/480 | 90,0 % | 198 | 36 | 4 | 2 | — | 7 | 30/30 |
| H06 | Flash IQ2 / 32k · 1 Slot | R08 | 442/480 | 92,1 % | 204 | 34 | 2 | 0 | — | 7 | 30/30 |

## Bewertung und Grenzen

- Gesamtpunktzahl: V = 2, T = 1, A/F = 0 Punkte. Abdeckung = (2V + T) / (2 × Prüfpunkte). GP60: maximal 1440 Punkte; GP30: maximal 480. Das ist ein Maß der ausgewählten Detailabdeckung, kein bereits um sämtliche Fehler und Halluzinationen bereinigter Qualitätsscore.
- V / T / A / F: V vollständig richtig; T teilweise richtig bzw. unvollständig ohne falschen Bestandteil; A vollständig ausgelassen; F mindestens ein falscher Bestandteil oder Widerspruch. T und A zeigen unterschiedliche Grade fehlender Details. Manche unklaren Angaben dürfen laut Originalprompt ausgelassen werden.
- H / Halluzinationen: H zählt zusätzliche, nicht durch die Quelle gestützte Aussagen außerhalb der ausgewählten Prüfpunkte. F kann ebenfalls erfundene Inhalte enthalten. Daher ist H ein Halluzinationsindikator und keine vollständige Halluzinationsrate. H zählt Aussagen pro 60/30 Antworten, F/T/A zählen Prüfpunkte pro 720/240; diese Zahlen nicht addieren.
- F prio.: Fehler an im Korpus priorisierten Prüfpunkten, bereits in F enthalten. Für GP30 nicht separat erhoben; „—“ bedeutet nicht null. JSON bezeichnet schema-konforme Antworten.
- Vergleichbarkeit: GP60 hat 30 Fallpaare mit 60 Varianten und 720 Prüfpunkten, keine 60 unabhängigen Fälle. Die Kriterien sind gleich, die Antworten und Bewertungsdurchgänge unterscheiden sich. Das 27B erhielt für identische Antworten erst 638, dann 620 V; gewichtete Abdeckung 93,0 bzw. 92,0 %. Diese Differenz zeigt Bewertungsstreuung. Die maskierte Bewertung stammt wie der Korpus aus KI-Arbeit, ohne unabhängige fachliche Validierung. Kleine Abstände rechtfertigen keine sichere Rangfolge.
- Profile: GP60 verwendet 32768 Token konfigurierten Kontext und einen Slot. Cachezahlen sind MiB Expertencache, keine VRAM-Gesamtanforderung. R13/1664 und R14/9472 sind gemessene Grenzprofile mit sehr kleiner Audioreserve. Sie sind keine Empfehlung mit Betriebsreserve. Getrennte Läufe und weitere Engine-Unterschiede erlauben keine alleinige Kausalaussage über Cachegröße und Qualität.
- Abdeckung der Auswertung: Alle acht in GP60 bewerteten Modellpakete sowie alle 15 dort vorhandenen Bewertungsstände und sechs GP30-Stände sind enthalten. Kopierte historische Zeilen werden nicht doppelt gezählt. Technische K-Kurztests, Lade-/Parkzyklen und Wiederholungen ohne vollständiges Kriterienreview bekommen keinen erfundenen Qualitätsscore. Die Hardware-Nachtests R15 enthalten zum Erstellungsstand keine neue vollständige Qualitätsbewertung; ihre importierten historischen GP60-Zeilen sind keine neuen Messungen.

## Modellnamen

- **4B-Q4:** Qwen3.5-4B Q4_K_M
- **9B-Q4:** Qwen3.5-9B Q4_K_M
- **9B-Q6:** Qwen3.5-9B Q6_K
- **27B-Q4:** Qwen3.8-27B UD-Q4_K_M
- **35B-A3B:** Qwen3.6-35B-A3B UD-Q4_K_XL / Strata
- **Flash IQ2:** Qwen3.8-Flash-Next GSQ-RCO IQ2_XS / Strata
- **Flash XXS:** Qwen3.8-Flash-Next GSQ-RCO IQ3_XXS / Strata
- **Flash S:** Qwen3.8-Flash-Next GSQ-RCO IQ3_S / Strata

## Quellen

- [R09: resident-gp60-2026-10-27-09](../resident-gp60-2026-10-27-09/Auswertung.md)
- [R11: strata-mincache-2026-10-27-11](../strata-mincache-2026-10-27-11/Auswertung.md)
- [R12: strata-iq3-2026-10-27-12](../strata-iq3-2026-10-27-12/Auswertung.md)
- [R13: strata-iq3-cache16-2026-10-27-13](../strata-iq3-cache16-2026-10-27-13/Auswertung.md)
- [R14: strata-qwen36-iq3s24-2026-10-28-14](../strata-qwen36-iq3s24-2026-10-28-14/Auswertung.md)
- [R05: gp30-2026-10-25-05](../gp30-2026-10-25-05/Auswertung.md)
- [R08: strata-2026-10-26-08](../strata-2026-10-26-08/Auswertung.md)