# Strata Flash resident auf 24 GiB und detaillierter GP60-Vergleich

Messreihe vom 27.10.2026 auf `[interner Testrechner]`, RTX 3090 (24576 MiB), Ryzen 9 5900X, 64-GB-RAM-Ausstattung. Ausschließlich synthetische Daten. Produktivdateien und Standardbetrieb wurden im Anschluss geprüft wiederhergestellt.

**Ergebnis:** Das 12-GiB-Flash-Profil funktioniert zusammen mit Whisper und pyannote auf dieser Karte. Im erweiterten Quellentreuetest ist 27B bei der vollständigen Detailübernahme stärker; Flash bietet die kürzere Wartezeit und produziert weniger erfasste unbelegte Zusätze. Die bisherige Einschätzung einer praktisch gleichen Qualität lässt sich so nicht fortschreiben.

## Ergebnis der Speicherprobe

**Flash kann auf dieser 24-GiB-Karte zusammen mit den ursprünglichen Whisper- und pyannote-Modellen geladen bleiben.** Die Aussage ist für die gemessenen Einzelaufträge und die unten beschriebenen 48-Sekunden-Audioketten belegt. Alle drei Modelle blieben auf CUDA; Worker-PIDs und Modellobjekt-IDs blieben erhalten. Ein Entladen oder CPU-Parken während eines Flash-Aufrufs fand nicht statt.

Die genannten „12 GB“ sind keine unveränderliche Gesamtspeicheranforderung. Strata nutzt einen einstellbaren GPU-Expertencache. Im Zielprofil mit 12 GiB Flash-Eigenbelegung wurden maximal 11,59 GiB für den Flash-Prozess beobachtet; mit arbeitendem Whisper/pyannote und GPU-Grundbelegung lag der Gesamtpeak bei 19,81 GiB. Damit bedeutet das Ergebnis nicht, dass die vollständige Kette auf einer physischen 12-GB-Karte nachgewiesen wäre.

Einheiten: GiB = 2³⁰ Byte. Der gemessene Flash-Prozesspeak von 11,59 GiB entspricht ungefähr12,45 dezimalen GB, der Gesamtpeak19,81 GiB ungefähr21,28 GB. Geladen bleiben hier GPU-Anteile und Expertencache; das gesamte große Modell liegt nicht vollständig im VRAM. Strata verwendet zusätzlich Host-RAM und Datenträger. Beobachteter Host-RAM-Gebrauch der gesamten Maschine im Audiotest: bis 43,3 GiB.

| Flash-Zielbudget | Flash-Prozesspeak GiB | Gesamtpeak GiB | Whisper-Prozesspeak GiB | pyannote-Prozesspeak GiB | Textinferenz Median s | Ausgabe-Token/s Median |
|---|---:|---:|---:|---:|---:|---:|
| 12 GiB | 11,592 | 19,814 | 5,982 | 1,928 | 3,282 | 106,4 |
| 16 GiB | 15,570 | 23,793 | 5,982 | 1,928 | 2,517 | 133,5 |

Je Profil dieselben drei GP30-Brückenfälle GP15, GP25 und GP30 mit fünf Wiederholungen, Originalprompt und 1600 Ausgabetoken-Limit. Die Prozesspeaks können zu verschiedenen Zeitpunkten auftreten; sie werden nicht addiert, um einen hypothetischen Gesamtpeak zu bilden. Die Spalte Gesamtpeak stammt direkt aus den Gesamt-NVML-Messungen.

Das größere Profil war schneller, ließ beim höchsten beobachteten Gesamtwert aber nur rund 212 MiB bis zur Kartenkapazität übrig. Für dauerhaft gemeinsam geladene Dienste ist das kleinere Profil der besser belegte Ausgangspunkt mit mehr Reserve. Die Beobachtung ist keine Garantie für beliebige Audiolängen, Sprecherzahlen oder gleichzeitige GPU-Berechnungen.

### Echte Audiokette bei vollständig geladenen Modellen

Pro Profil drei direkte lokale Sequenzen: 48 Sekunden synthetisches Audio → Whisper → pyannote → Flash. Eine synthetische Stimme, Diarisierung mit `num_speakers=1`. Flash bleibt auch während der Audiooperationen geladen.

| Flash-Zielbudget | Ketten | Whisper Median s | pyannote Median s | Flash Median s | Gesamte direkte Kette Median s |
|---|---:|---:|---:|---:|---:|
| 12 GiB | 3 | 1,248 | 0,504 | 1,689 | 3,440 |
| 16 GiB | 3 | 1,250 | 0,502 | 1,403 | 3,149 |

Diese Kette prüft Funktion und gemeinsame Speicherbelegung über direkte Worker-APIs. Sie ist kein Vergleich der Erkennungsqualität und keine Messung des unveränderten Kienzledoku-Clients mit einer bereits integrierten Strata-Auswahl. Ein Audio wird hier als ein Auftrag übergeben; Client-Blockbildung, Aufnahmezeit und Warteschlange sind andere Abläufe.

Die Flash-Prozesszuordnung in den ersten Rohzeilen wurde nachträglich aus stabilen PIDs korrigiert: der Linux-Prozessname wechselt von `strata` zu `strata-host`; die ursprüngliche Namenssuche lieferte während Inferenz 0. Die vollständigen ursprünglichen NVML-Beobachtungen sind erhalten. Kein Modellaufruf wurde dafür wiederholt oder ausgetauscht. Beleg: `residency/attribution_correction.json`, `summary/residency_summary.json` und rohe Telemetrie.

## Erweiterter Qualitätsvergleich

Flash erreicht 586/720 vollständig erhaltene Prüfpunkte, 27B 638/720. Bei den vorab markierten Prioritätspunkten ergeben sich 5 gegenüber 0 falsche Angaben; zusätzliche unbelegte Aussagen außerhalb der Prüfpunkte: 8 gegenüber 17. Abdeckung, falsche Angaben und Zusatzbehauptungen bleiben getrennte Ergebnisse.

| Modell | V /720 | T | A | F | F in Prioritätspunkten /240 | Antworten mit Zusätzen /60 | Alle 12 vollständig /60 |
|---|---:|---:|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 416 (57,8 %) | 158 | 128 | 18 | 12 | 15 | 0 |
| Qwen3.5-9B Q4_K_M | 528 (73,3 %) | 116 | 58 | 18 | 13 | 8 | 2 |
| Qwen3.5-9B Q6_K | 541 (75,1 %) | 104 | 53 | 22 | 14 | 6 | 3 |
| Qwen3.8-27B UD-Q4_K_M | 638 (88,6 %) | 63 | 17 | 2 | 0 | 16 | 20 |
| Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB | 586 (81,4 %) | 105 | 21 | 8 | 5 | 7 | 9 |

V = vollständig quellengetreu, T = teilweise ohne falschen Teil, A = ausgelassen, F = falscher Teil/Widerspruch. Ein Prüfkriterium kann mehrere zusammengehörige Angaben enthalten. Ein nicht genannter Teil ergibt T; ein definitiv falscher Teil ergibt F. Nach einer späten Korrektur ist der endgültige richtige Wert entscheidend; überholte Werte müssen nicht nochmals aufgezählt werden. Unklare Angaben dürfen nach Originalprompt weggelassen werden: A ist fehlende ausgewählte Abdeckung und keine Falschbehauptung.

**Einordnung des direkten Vergleichs:** 27B erhält 52 zusätzliche Prüfpunkte vollständig; die Differenz beträgt7,22 Prozentpunkte. Flash hat acht falsche Prüfpunkte in sieben Antworten,27B zwei in zwei Antworten. Die fünf falschen vorab markierten Flash-Punkte sind keine fünf unabhängigen klinischen Ereignisse: die falsche Apixabandosis in G60_14B betrifft sowohl die aktuelle Einnahme als auch das Folgerezept. Daneben stehen eine fälschlich schon erfolgte Terminanfrage, eine nicht übernommene Korrektur der Alkoholabstinenzdauer und ein Widerspruch zur früheren Rauchpause. 27B ist ebenfalls fehlerhaft, unter anderem mit erfundenen Negativbefunden und einer nicht berichteten Todesangabe zum Vater.

Die 9B-Kontrollen liegen bei ausgewählter Vollständigkeit unter Flash;4B lässt besonders viele Punkte aus. Q6 liegt bei Abdeckung etwas über Q4, hat in diesem einmaligen Lauf aber mehr falsche Prüfpunkte. Eine höhere Quantisierungsstufe garantiert also in diesen Einzelantworten keine durchgehend niedrigere Fehlerzahl.

### Unbelegte Ergänzungen

Die Kategorien sind eine vorab beschriebene Einordnung von Quellabweichungen, keine unabhängig bestätigte klinische Schadensskala. C3: konkrete falsche Medikation/Dosis/Route, Patientenverwechslung, Warnnegation oder Dringlichkeit; C2: sonstige erfundene Diagnose, Befund oder erfolgte Maßnahme; C1: sonstige unbelegte Präzisierung/Provenienz. Eine bereits als F erfasste Aussage wird nicht nochmals als Zusatz gezählt.

| Modell | Zusätze insgesamt | C3 | C2 | C1 | Antworten mit falschem Prüfpunkt /60 |
|---|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 15 | 2 | 9 | 4 | 14 |
| Qwen3.5-9B Q4_K_M | 8 | 0 | 4 | 4 | 12 |
| Qwen3.5-9B Q6_K | 6 | 1 | 3 | 2 | 15 |
| Qwen3.8-27B UD-Q4_K_M | 17 | 0 | 15 | 2 | 2 |
| Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB | 8 | 0 | 6 | 2 | 7 |

## Tokenzahlen, Geschwindigkeit und Speicher im GP60-Hauptlauf

Alle Token-, Durchsatz- und Zeitwerte sind Mediane über dieselben 60 Quellen je Modell. VRAM/RAM sind beobachtete Peaks. Modelle bereits geladen; Ladezeiten nicht in der Inferenz enthalten. Whisper und pyannote blieben für alle fünf Modelle gleichzeitig auf CUDA geladen.

| Modell | Eingabetoken | Ausgabetoken | Prompt-Token/s | Ausgabe-Token/s | Erste Ausgabe s | Gesamt s | Gesamt-VRAM-Peak GiB | Host-RAM-Peak GiB |
|---|---:|---:|---:|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 875,5 | 208,0 | 4830,0 | 171,30 | 0,286 | 1,505 | 10,252 | 12,06 |
| Qwen3.5-9B Q4_K_M | 875,5 | 249,5 | 3342,7 | 114,24 | 0,364 | 2,546 | 12,926 | 12,24 |
| Qwen3.5-9B Q6_K | 875,5 | 261,0 | 3131,0 | 94,35 | 0,382 | 3,146 | 14,346 | 12,36 |
| Qwen3.8-27B UD-Q4_K_M | 875,5 | 310,5 | 1137,1 | 41,93 | 1,044 | 8,423 | 23,037 | 16,72 |
| Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB | 875,5 | 263,5 | 938,7 | 111,85 | 0,940 | 3,294 | 18,252 | 41,73 |

Verhältnis der medianen Ausgaberaten Flash zu 27B: 2,67. Verhältnis der medianen Gesamtdauer 27B zu Flash: 2,56. Die Ausgabeumfänge sind daneben ausdrücklich sichtbar; das ist keine auf gleiche Textlänge normierte Kernelmessung. Backend-Zeitangaben und gemessene HTTP-Zeiten sind getrennt.

Flash erzeugt im Median 15,1 % weniger Ausgabetoken als 27B. Der Geschwindigkeitsvorteil besteht auch bei der Ausgabe-Tokenrate, kommt in der Gesamtdauer aber zusätzlich durch kürzere Antworten zustande.

### Zeitzerlegung und Tokenumfang

| Modell | Eingabetoken gesamt | Ausgabetoken gesamt | Ausgabetoken Min–Max | Prompt Median ms | Generierung Median ms | HTTP Gesamt p95 s | HTTP Gesamt Min–Max s |
|---|---:|---:|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 58840 | 13295 | 126–464 | 180,9 | 1215,4 | 2,504 | 1,019–3,344 |
| Qwen3.5-9B Q4_K_M | 58840 | 15737 | 171–496 | 259,8 | 2181,9 | 4,187 | 1,884–5,281 |
| Qwen3.5-9B Q6_K | 58840 | 16469 | 191–552 | 277,6 | 2767,2 | 5,304 | 2,399–6,842 |
| Qwen3.8-27B UD-Q4_K_M | 58840 | 19891 | 251–665 | 763,7 | 7403,2 | 14,910 | 7,009–18,700 |
| Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB | 58840 | 17081 | 202–546 | 922,4 | 2375,7 | 5,525 | 2,800–6,353 |

p95 ist linear über die 60 gemessenen Falldauern interpoliert. Die Spaltenmediane dürfen nicht zu einer vermeintlichen Median-Gesamtdauer addiert werden. Ein- und Ausgabe-Minima/Maxima sowie alle 300 Einzelmessungen stehen in den CSV-Dateien. [300 Einzelmessungen mit Token- und Qualitätswerten](results/resident-gp60-2026-10-27-09/summary/measurements.csv), [60 direkte Flash/27B-Vergleiche mit Tokenzahlen und Zeiten](results/resident-gp60-2026-10-27-09/summary/flash_vs27b_detail.csv).

Alle llama.cpp-Profile verwenden einen Slot, Kontext 32768 und KVq8_0. 27B passte bereits mit q8_0; der vorab erlaubte technische Fallback auf q4_0 war nicht nötig. Flash verwendet KVint8 und sein 12-GiB-Zielprofil. Damit unterscheiden sich diese Kontextprofile von der früheren GP30-Reihe mit drei Q6-Slots beziehungsweise 262144 Token für 27B. Die neuen Hauptläufe sind untereinander zu vergleichen; sie sind keine unveränderte Wiederholung der alten Hardwareprofile.

27B passte während der Textinferenz ebenfalls neben die geladenen Worker. Eine aktive Audiokette mit residentem 27B ist hier nicht gemessen. Die Aussage, nur Flash könne grundsätzlich neben geladenem Whisper/pyannote bestehen, folgt aus diesen Daten nicht.

## Reaktion auf gezielte Quellenänderungen

Die 60 Varianten bilden30 Paare. Vier der zwölf Referenzpunkte ändern sich zwischen A und B, acht bleiben gleich. „Beide V“ verlangt, dass derselbe Punkt in beiden Varianten vollständig korrekt erhalten ist. Bei geänderten Punkten reicht bloß konsistente Wiederholung derselben Antwort nicht.

| Modell | Veränderte Punkte in beiden Varianten V /120 | Unveränderte Punkte in beiden Varianten V /240 |
|---|---:|---:|
| Qwen3.5-4B Q4_K_M | 52 | 112 |
| Qwen3.5-9B Q4_K_M | 70 | 153 |
| Qwen3.5-9B Q6_K | 73 | 160 |
| Qwen3.8-27B UD-Q4_K_M | 103 | 196 |
| Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB | 88 | 177 |

Gewichtete Abdeckung (V=2,T=1,A/F=0): Flash liegt in 14 Varianten höher, in 15 gleich und in 31 niedriger als 27B. Diese Abdeckungstabelle bewertet keine klinische Sicherheit.

Differenz vollständig erhaltener Punkte Flash minus 27B: -7,22 Prozentpunkte; 95-%-Cluster-Bootstrapintervall -13,06 bis -1,94. Für gewichtete Abdeckung: -4,31 Prozentpunkte, Intervall -7,85 bis -0,90. 10.000 Ziehungen über 30 Szenariopaare; das erfasst nur Unterschiede in diesem gewählten Korpus. Es erfasst keine unabhängigen Gutachter, mehrere Zufallsseeds oder eine reale Patientenpopulation.

## Konkreter Vergleich Flash gegen 27B

Die folgenden Fälle sind thematisch ausgewählte Beispiele; sie ändern keine Kennzahl. Alle 60 Quellen, alle fünf Antworten und sämtliche Einzelbegründungen stehen im [Fallindex](results/resident-gp60-2026-10-27-09/Einzelfaelle.md).

### G60_01B: Hypertonie: korrigierte Einnahme und häusliche Messwerte – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_01B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F12: Ausdruck/Aushändigung erhalten; Einverständnis fehlt.

**Qwen3.8-27B UD-Q4_K_M:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F12: Abgleich und Aushändigung erhalten; Einverständnis und Ausdruck nicht ausdrücklich genannt.
- Zusatz (C2): „Keine orthostatische Dysregulation.“ — Verneinte Symptome sind kein dokumentierter Diagnoseausschluss.


### G60_03B: Unklarer Allergiestatus und Familienanamnese – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_03B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 11/12 vollständig, 0 teilweise, 0 ausgelassen, 1 falsch.

- F6: Kinderärztliche Unterlagen werden als bereits eingetroffen bezeichnet. Eingetroffen ist nur die alte allergologische Dokumentation; die kinderärztliche Anforderung bleibt eigenständig.

**Qwen3.8-27B UD-Q4_K_M:** 12/12 vollständig, 0 teilweise, 0 ausgelassen, 0 falsch.

- Alle zwölf ausgewählten Punkte erhalten; keine zusätzliche unbelegte Behauptung erfasst.


### G60_10B: Depressive Beschwerden: korrigierter Fragebogenwert – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_10B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 7/12 vollständig, 4 teilweise, 1 ausgelassen, 0 falsch.

- F1: Freudlosigkeit fehlt.
- F2: Heutiger Wert korrekt, Vorjahreswert 19 fehlt.
- F4: Suizidgedanken und korrekte Familienzuordnung enthalten; eigenständige Selbstverletzungsgedanken nicht ausdrücklich verneint.
- F9: Keine aktuelle eigene ambulante Psychotherapie fehlt.
- F11: Nicht genannte Alkoholmenge fehlt.
- Zusatz (C2): „PHQ-9-Wert“ — Instrumentenname ist ausdrücklich nicht bekannt.

**Qwen3.8-27B UD-Q4_K_M:** 10/12 vollständig, 1 teilweise, 1 ausgelassen, 0 falsch.

- F4: Suizidgedanken und korrekte Familienzuordnung enthalten; eigenständige Selbstverletzungsgedanken nicht ausdrücklich verneint.
- F9: Keine aktuelle eigene ambulante Psychotherapie fehlt.


### G60_14B: Antikoagulation: bestätigte reduzierte Dosis – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_14B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 10/12 vollständig, 0 teilweise, 0 ausgelassen, 2 falsch.

- F2: Hält 2,5 mg als aktuelle Einnahme trotz abschließend bestätigter 5 mg fest.
- F7: Rezept und Liste mit 2,5 statt 5 mg dokumentiert.

**Qwen3.8-27B UD-Q4_K_M:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F2: Dosis korrekt; Bestätigung durch aktuellen Brief und/oder keine Zusatztabletten nicht vollständig.


### G60_17B: Impfberatung: Wunsch, Ablehnung und ausstehende Unterlagen – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_17B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 11/12 vollständig, 0 teilweise, 1 ausgelassen, 0 falsch.

- F9: COVID nicht besprochen fehlt.

**Qwen3.8-27B UD-Q4_K_M:** 11/12 vollständig, 0 teilweise, 1 ausgelassen, 0 falsch.

- F9: COVID nicht besprochen fehlt.


### G60_24B: Diabetes und Füße: Symptome ohne festgelegte Neuropathie – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_24B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 12/12 vollständig, 0 teilweise, 0 ausgelassen, 0 falsch.

- Alle zwölf ausgewählten Punkte erhalten; keine zusätzliche unbelegte Behauptung erfasst.

**Qwen3.8-27B UD-Q4_K_M:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F4: 7,6 und Korrektur von 7,0 enthalten; 7,0 nicht als Vorwert zugeordnet.


### G60_28A: Palliatives Telefonat: Bedarfsmedikation noch nicht gegeben – erweiterte Variante A

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_28A.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F6: Keine Vitalwerte enthalten, ausschließlicher Telefonkontakt nicht ausdrücklich.

**Qwen3.8-27B UD-Q4_K_M:** 12/12 vollständig, 0 teilweise, 0 ausgelassen, 0 falsch.

- Alle zwölf ausgewählten Punkte erhalten; keine zusätzliche unbelegte Behauptung erfasst.


### G60_28B: Palliatives Telefonat: Bedarfsmedikation noch nicht gegeben – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_28B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 7/12 vollständig, 5 teilweise, 0 ausgelassen, 0 falsch.

- F5: Keine Atemnot/Benommenheit/Übelkeit enthalten, ruhiges Sprechen fehlt.
- F6: Keine Vitalwerte enthalten, ausschließlicher Telefonkontakt nicht ausdrücklich.
- F8: Sofortkontakt und kein Transport beschlossen enthalten; nicht organisiert fehlt.
- F9: Oral genannt, Lösung und nicht genannte Konzentration fehlen.
- F10: Eigene Verfügung vorhanden, heute vorliegende Kopie fehlt.

**Qwen3.8-27B UD-Q4_K_M:** 11/12 vollständig, 1 teilweise, 0 ausgelassen, 0 falsch.

- F9: Orale Lösung korrekt, nicht genannte Konzentration fehlt.
- Zusatz (C1): „60er Jahre (Alter unklar)“ — Für das Alter gibt es keinerlei Angabe im Ausgangsgespräch.


### G60_29B: Längerer Verlauf: Diabetes, Blutdruck, Alltag und späte Dosiskorrektur – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_29B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 8/12 vollständig, 4 teilweise, 0 ausgelassen, 0 falsch.

- F3: Aktuell 7,5 korrekt; zuvor 7,1 nur als anfängliche Angabe, nicht als tatsächlicher Vorwert zugeordnet.
- F5: Negativsymptome enthalten; keine eigene Insulintherapie nicht ausdrücklich.
- F8: Kontrollintervalle korrekt; Blutdruckkontrolle ausdrücklich mit eigener Liste fehlt.
- F10: Neun Monate korrekt, fehlender Augenbefund fehlt.

**Qwen3.8-27B UD-Q4_K_M:** 7/12 vollständig, 4 teilweise, 1 ausgelassen, 0 falsch.

- F3: Aktuell 7,5 korrekt, Vorwert 7,1 fehlt.
- F6: Haut/Pulse korrekt; Monofilamenttest positiv ist ohne Wahrnehmungsangabe mehrdeutig.
- F8: Kontrollintervalle korrekt; Blutdruckkontrolle ausdrücklich mit eigener Liste fehlt.
- F9: Eigener Pflegegrad 2 enthalten, Ehefrau ohne Pflegegrad fehlt.
- F10: Augenkontrolle fehlt.
- Zusatz (C2): „Keine Hinweise auf akute kardiale oder neurologische Defizite“ — Quelle verneint bestimmte Symptome und dokumentiert einen Fußstatus, keine vollständige aktuelle kardiale/neurologische Defizitbeurteilung.


### G60_30B: Längere geriatrische Sprechstunde: Sturz, Angehörige und ungeklärte Dosis – erweiterte Variante B

[Vollständige Quelle und Antworten](results/resident-gp60-2026-10-27-09/cases/G60_30B.md).

**Strata Qwen3.8-Flash-Next IQ2_XS / Ziel 12 GiB:** 7/12 vollständig, 4 teilweise, 1 ausgelassen, 0 falsch.

- F2: Orientiert/keine Testung enthalten; wach und keine gesicherte Demenz nicht vollständig.
- F7: Paracetamol/Pregabalin teilweise korrekt; 75-mg-Stärke, ausschließliche Tochterzuordnung und/oder früheres vollständiges Einnahmeschema nicht vollständig.
- F10: Vollmacht für Nachbarin vorhanden; unterschriebene Kopie nicht vollständig.
- F11: Vorhandene Rollatornutzung und keine neue Verordnung nicht beide enthalten.
- F12: Ausgedruckter mitgegebener Terminplan fehlt.

**Qwen3.8-27B UD-Q4_K_M:** 9/12 vollständig, 3 teilweise, 0 ausgelassen, 0 falsch.

- F7: Paracetamol/Pregabalin teilweise korrekt; 75-mg-Stärke, ausschließliche Tochterzuordnung und/oder früheres vollständiges Einnahmeschema nicht vollständig.
- F10: Vollmachtkopie für Nachbarin genannt, Unterschrift nicht ausdrücklich.
- F11: Vorhandene Rollatornutzung und keine neue Verordnung nicht beide enthalten.

## Was dieser neue Test prüft und was nicht

Aus den30 GP30-Grundgesprächen wurden60 erweiterte Varianten entwickelt: je zwölf statt acht Prüfpunkte, 720 Referenzpunkte und 240 vorab markierte Prioritätspunkte pro Modell. Die vier zusätzlichen Punkte betreffen konkrete weitere Angaben zu Medikation, Befundherkunft, Durchführung, Terminplanung, Angehörigen oder Einverständnis. Die B-Varianten enthalten gezielte späte Korrekturen und zwei weitere abgeänderte Zusatzpunkte. Der Textumfang wächst von 8253 auf24281 Wörter. Die Fallzahl ist verdoppelt, der ausgewählte Kriterienumfang verdreifacht. **Es sind30 Grundszenarien mit gepaarten Varianten, keine60 unabhängigen Patientenszenarien.**

Der Korpus einschließlich Referenzpunkten, Prioritätsmarkierung, Reihenfolge und Sampling wurde vor den Hauptaufrufen per SHA-256 festgeschrieben. Die fünf Modelle erhielten nur die Transkripte und den unveränderten Originalprompt, keine Referenzpunkte. Bei der Quellenprüfung waren Modellnamen und Zeitdaten aus den Ansichten entfernt und Antworten pro Fall als A–E neu gemischt. Alle 60 Bewertungsdateien wurden vor Zuordnung der Ergebnisse zu Modellnamen per SHA-256 festgeschrieben. Derselbe KI-Agent erstellt und bewertet den Korpus. Die Namensmaskierung ersetzt keine unabhängige fachärztliche Validierung.

Beim maskierten Prüfen getroffene Auslegungsentscheidungen stehen in `review_adjudications.json`. Eine Korpusunschärfe bleibt offengelegt: In GP02 ist die ursprüngliche Patientin SPEAKER02, die ergänzte allgemeine Schlussbitte verwendet SPEAKER01. Diese neue Stimme bleibt unzugeordnet. Keiner der Referenzpunkte beruht auf dieser allgemeinen nichtklinischen Schlusszeile; die neuen klinischen Angaben stammen unverändert vom ursprünglichen Arzt SPEAKER00. Eingaben wurden nach Beginn nicht geändert, kein Fall wurde ausgeschlossen.

Die Kontrollmodelle sind Vergleichsanker für Informationsverlust, falsche Details und Boden-/Deckeneffekte. Eine erwartete Rangfolge „größer ist besser“ wurde nicht als Bestehensbedingung festgelegt. Die Kontrollen beweisen den Test nicht automatisch als allgemeines Qualitätsmaß. Von 720 Kriterien werden 322 von allen fünf Modellen vollständig erhalten; bei 29 erreicht keines ein vollständiges V; 0 werden von allen fünf ausgelassen. Solche Punkte wurden nach Sichtung der Ergebnisse nicht entfernt. Der Originalprompt verlangt knappe Zusammenfassungen; ein ausgelassener Nebenpunkt ist deshalb von einer falschen Angabe getrennt zu lesen.

369 Kriterien unterscheiden die Modelle anhand vollständiger Übernahme; bei 12 erhalten alle nur T. Die strikte Zusammenfassung mehrerer Angaben in einem Prüfpunkt erklärt einen Teil dieser Teilwertungen. Die Zusatzbehauptungen wurden qualitativ geprüft; diese Suche kann weitere unbelegte Aussagen übersehen. Hauptmaß bleiben die 3600 strukturierten Urteile zu den ausgewählten Referenzpunkten.

Ein Hauptlauf je Modell/Fall, Seed 42, Temperatur 0,1, top-k 40, top-p 0,95, min-p 0,05, Wiederholungsstrafe 1,0, Presence/Frequency-Penalty 0, maximal 2400 Ausgabetoken, Thinking aus, Prompt-Cache-Wiederverwendung aus. Die größte Quelle wurde bei llama.cpp vorab technisch auf Verarbeitung geprüft; diese vier zusätzlichen Vorläufe sind keine bewerteten Hauptantworten. Keine Antwort wurde anhand ihrer Qualität durch einen anderen Lauf ersetzt.

### Datenprüfung

300 eindeutige Hauptantworten, 300 gültige Vier-Felder-JSON-Antworten, 0 HTTP-Fehler, 0 Ausgaben ohne normalen Stopabschluss. 3600 Einzelurteile. Quelltexte, Originalprompt und Sampling wurden gegen jede gespeicherte Anfrage geprüft; Antwort-Hashes gegen jede Rohantwort. In allen Hauptaufrufen sind die ursprünglichen ASR-/Diarisierungsobjekte auf CUDA nachgewiesen. Prompt-Cache-Wiederverwendung und sichtbare Reasoningausgabe:0.

GPU, Prozessbelegung, Host-RAM, Swap, CPU- und Datenträgerzähler wurden nominal alle 150 ms protokolliert. Die tatsächlichen Intervallwerte und mögliche längere Abstände stehen in `measurement_audit.json`. Beobachtete Peaks sind keine garantierten Obergrenzen; der16-GiB-Flash-Versuch liegt besonders nah an der Kartenkapazität.

Gemessener Telemetrieabstand im Median 150 ms, längster Abstand im Hauptlauf 537 ms, keine Monitorfehler. In der Speicher-/Audioprobe war kein Swap belegt; während der Qualitätsphase erreichte die maschinenweite Swap-Belegung 1,59 GiB. Swap-Belegung allein belegt keine aktive Auslagerung während eines bestimmten Aufrufs. Die im Hauptlauf angegebene VRAM-Spitze betrifft Textinferenz mit geladenen Audiomodellen; die höhere Spitze der separaten Audiokette umfasst deren tatsächliche Rechenphasen.

## Wiederhergestellter Ausgangszustand

Alle vorher erfassten Dienste haben wieder ihren ursprünglichen Aktivierungs- und Laufzustand. Die 57 geschützten Produktionsdateien sind SHA-256-gleich. Standard: Commander mit Qwen3.5-9B Q6_K, drei Slots und ursprünglichem Kontext/Parametern; Sehr gründlich mit 27B bleibt auswählbar. ASR und Diarisierung sind bereit. Der alte separate LLM-Dienst bleibt wie vorher deaktiviert.

Die abschließende Prüfung über den tatsächlich installierten Client war erfolgreich: Standardextraktion 2,75 s, synthetische WAV-Kette mit 27B und Rückkehr zum 9B-Q6 25,47 s. Dies ist die Funktionsprüfung des wiederhergestellten Originalbetriebs. Die neuen Testserver sind beendet, Testports 8096/8097 geschlossen und temporäre Testwächter entfernt. Strata und die verifizierten Modellpakete bleiben installiert. Caches und Prozess-IDs des neu gestarteten Commanders sind Laufzeitzustände; Dateikonfiguration und geladene Modelle sind der gesicherte Ausgangszustand.

Nach Abschluss der lokalen Bewertung wurde zusätzlich rein lesend erneut geprüft: alle 15 erfassten Dienstzustände korrekt, 57 Produktionsdateien unverändert, Commander mit ursprünglichem Standard bereit, drei LLM-Slots, keine offenen Testports und kein laufender Testwächter. Beleg: `final-state-check.json`.

## Nachweise und Herkunft

- `corpus/`: 60 Quellen, 720 Referenzpunkte/Modell, gepaarte Änderungen, Protokoll, Regeln und Hashfestschreibung.
- `quality/raw/`, `quality/runs.json`, `quality/loads.json`: alle Hauptantworten, SSE-/Tokenzeitangaben, effektive Startargumente und Workerzustände.
- `residency/`: 30 Textproben, sechs Audioketten, Originaltelemetrie und explizite Korrektur der Prozessnamenzuordnung.
- `review_panels/`, `review_scores/`, `review_commitment.json`, `blind_key_commitment.json`: maskierte Ansichten, Urteile und vorab festgelegte Zuordnung.
- `summary/model_summary.csv`, `fact_reviews.csv`, `pair_reviews.csv`, `flash_vs27b_cases.csv`, `criterion_validation.csv`: auswertbare Tabellen.
- `summary/measurements.csv`, `flash_vs27b_detail.csv`: alle 300 Messungen beziehungsweise 60 direkte Paarvergleiche einschließlich Tokenzahlen, Teilzeiten und Quellbewertungen.
- `measurement_audit.json`, `restoration.json`, `restored-client-verification.json`, `final-cleanup.json`: Eingabeprüfung, gemeinsame GPU-Residenz und Rückstellung.
- `model-manifest.json`, `backend-versions.json`: identische verifizierte Modellgewichte und tatsächliche installierte Backend-Versionen.
- [Strata-Modellbeschreibung](https://github.com/Niko1221/Strata/blob/main/docs/MODELS.md):Flash verwendet GPU- und Host-Speicher; die Lookup-Shard bleibt auf dem Datenträger. Die hier berichteten Kapazitäten und Geschwindigkeiten sind eigene Messungen.

[Vollständiger Fallindex](results/resident-gp60-2026-10-27-09/Einzelfaelle.md).