# Hausarztgespräche: Extraktion mit vier Modellvarianten

Messreihe vom 25.10.2026 (Europe/Berlin) auf `root@[interner Testrechner]`, RTX 3090 mit 24 GiB. 30 vollständig synthetische, bereits mit Sprecherlabels versehene Gespräche; vier Modellvarianten, 120 Hauptantworten. Keine realen Patientendaten.

**Ergebnis für diesen Korpus:** 9B-Q4 im 32k-/8-GB-Profil liegt bei der Inhaltsabdeckung nahe am bisherigen 9B-Q6. Vollständig wiedergegeben sind 185 gegenüber 196 von 240 Prüfpunkten; vollständig oder teilweise erhalten 231 gegenüber 233. Das 4B lässt deutlich mehr aus (36 Punkte ganz ausgelassen gegenüber 5 bei Q4). 27B erreicht die höchste Abdeckung (218 vollständig), braucht aber im Median 6,71 s je Antwort gegenüber 2,06 s bei Q4 und ergänzt ebenfalls unbelegte Aussagen. Keines der Modelle ist in diesem Test durchgehend quellenfehlerfrei.

## Inhaltliche Ergebnisse

| Modell | Vollständig / 240 | Teilweise | Ausgelassen | Falsch | Antworten mit falschem Prüfpunkt | Antworten mit zusätzlicher unbelegter Aussage | Alle 8 Punkte vollständig |
|---|---:|---:|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 150 (62.5 %) | 51 | 36 | 3 | 3/30 | 7/30 | 1/30 |
| Qwen3.5-9B Q4_K_M / 32k | 185 (77.1 %) | 46 | 5 | 4 | 2/30 | 5/30 | 5/30 |
| Qwen3.5-9B Q6_K / Original | 196 (81.7 %) | 37 | 4 | 3 | 3/30 | 6/30 | 8/30 |
| Qwen3.8-27B UD-Q4_K_M | 218 (90.8 %) | 20 | 1 | 1 | 1/30 | 8/30 | 16/30 |

Die Zahlen beziehen sich auf die **240 vorab festgelegten Prüfpunkte je Modell**, nicht auf sämtliche Wörter oder sämtliche denkbaren Angaben der Gespräche. Zusammengehörige Details wie eine Dosis mit Einnahmehäufigkeit gehören teilweise zu einem Prüfpunkt: Fehlt ein Teil, lautet die Bewertung „teilweise“. Die Einzelbegründungen stehen in `summary/fact_reviews.csv` und in der vollständigen Fallsammlung.

„Ausgelassen“ bedeutet geringere Abdeckung des ausgewählten Inhalts und ist von einer falschen Behauptung getrennt. Insbesondere erlaubt der Originalprompt, unklare Angaben als unklar zu markieren oder wegzulassen. Die Falschzählung erfasst Widersprüche in den Prüfpunkten. Zusätzlich unbelegte oder falsche Aussagen außerhalb dieser Punkte werden separat gezählt; dieselbe Aussage wird innerhalb einer Antwort nicht mehrfach gezählt. Dazu gehört beispielsweise die falsch übernommene Depression der Tochter in GP16, die nicht Teil der acht ausgewählten Prüfpunkte war. Daraus wird keine allgemeine klinische Genauigkeitsquote abgeleitet.

| Gepaarter Vergleich der Abdeckung | Erstes Modell vollständiger | Gleichstand | Erstes Modell weniger vollständig |
|---|---:|---:|---:|
| Qwen3.5-9B Q4_K_M / 32k gegenüber Qwen3.5-9B Q6_K / Original | 4 | 15 | 11 |
| Qwen3.5-4B Q4_K_M gegenüber Qwen3.5-9B Q4_K_M / 32k | 4 | 3 | 23 |
| Qwen3.8-27B UD-Q4_K_M gegenüber Qwen3.5-9B Q6_K / Original | 20 | 8 | 2 |

Für diese Abdeckungsvergleiche zählt vollständig 2, teilweise 1 und ausgelassen/falsch 0. Falschaussagen und unbelegte Ergänzungen bleiben als eigene Ergebnisse sichtbar; die Abdeckung allein ist keine Sicherheits- oder Qualitätsrangliste.

## Geschwindigkeit und Speicher

| Modell | Erste Ausgabe, Median s | Gesamtdauer, Median s | Ausgabetoken, Median | Ausgabe, Median Token/s | LLM-Prozesspeak, GiB | Gesamtpeak, GiB |
|---|---:|---:|---:|---:|---:|---:|
| Qwen3.5-4B Q4_K_M | 0.251 | 1.244 | 172 | 171.8 | 4.785 | 5.951 |
| Qwen3.5-9B Q4_K_M / 32k | 0.312 | 2.062 | 201 | 114.5 | 6.311 | 7.476 |
| Qwen3.5-9B Q6_K / Original | 0.323 | 2.490 | 204 | 94.9 | 12.486 | 13.652 |
| Qwen3.8-27B UD-Q4_K_M | 0.902 | 6.709 | 245 | 41.9 | 20.951 | 22.117 |

Mediane über die 30 unterschiedlichen Gespräche, jeweils **ein Hauptlauf je Modell und Gespräch**. Keine fünf identischen Wiederholungen und keine Messung der Streuung über Zufallsseeds. Kürzere Gesamtdauer kann auch aus kürzeren Antworten entstehen. Alle Einzelzeiten, Tokens und Peaks sind gespeichert. Kokoro war tatsächlich gestoppt, Whisper und pyannote auf CPU geparkt. Die Spalte Gesamtpeak enthält deren verbleibende CUDA-Kontexte sowie Grafik- und Treiberreserve; dies ist hier keine vollständige ASR-/Diarisierungskette und kein physischer Test auf einer 8-GB-Karte.

| Modellprofil | Kontext angefordert gesamt | Slots | Effektiver Kontext je Slot | KV K/V | Ein warmer Start bis bereit, s |
|---|---:|---:|---:|---|---:|
| Qwen3.5-4B Q4_K_M | 87552 | 1 | 87552 | q8_0 | 1.499 |
| Qwen3.5-9B Q4_K_M / 32k | 32768 | 1 | 32768 | q8_0 | 1.882 |
| Qwen3.5-9B Q6_K / Original | 262144 | 3 | 87552 | q8_0 | 2.041 |
| Qwen3.8-27B UD-Q4_K_M | 262144 | 1 | 262144 | q4_0 | 3.133 |

Der 4B-Lauf verwendet das bereits geprüfte serielle 8-GB-Profil mit einem Slot und 87552 Token. 9B-Q4 verwendet die 8-GB-Konfiguration mit einem Slot und 32768 Token. 9B-Q6 behält die ursprünglichen drei Slots und den ursprünglichen angeforderten Gesamtkontext 262144; Anfragen liefen trotzdem einzeln. 27B verwendet einen Slot, 262144 Token und KV q4_0. Alle vier laufen mit vollständigem GPU-Offload, Flash Attention und abgeschaltetem Thinking auf dem vorhandenen Backend b9637-aedb2a5e9.

Die tatsächlichen Eingaben belegen 619–2482 Token einschließlich Systemprompt. Alle passen komfortabel in 32768 Token. Das Ergebnis untersucht deshalb Extraktionsunterschiede innerhalb des Budgets und ist kein Test am Rand eines vollen 32k-Kontexts. Modellgröße, Generation (Qwen3.5 gegenüber Qwen3.8), Quantisierung, KV-Typ und Betriebsprofil sind nicht vollständig isoliert.

## Vergleichsmethode

Der Korpus mit acht Prüfpunkten je Gespräch wurde vor dem ersten Modellaufruf festgeschrieben; SHA-256: `18ac159d9cf3a38fcc39b04d7617f225eba50bb739ada1e59c4dbc2a72f2048d`. Für jedes Modell wurden derselbe Originalsystemprompt aus Kienzledoku und dieselbe Nachricht mit `TRANSKRIPT:` verwendet. Temperatur 0,1, Seed 42, top-k 40, top-p 0,95, min-p 0,05, Wiederholungsstrafe 1,0, maximal 1600 Ausgabetoken, keine Prompt-Cache-Wiederverwendung. Die früher unterschiedliche top-k-Voreinstellung des 27B wurde für diesen Vergleich bewusst angeglichen.

Die Reihenfolge der Gespräche wurde einmal zufällig festgelegt und für alle Modelle identisch verwendet. Zur Bewertung erhielten die vier Antworten je Fall zufällige Kennungen A–D. Alle 120 Antworten wurden anhand der Originaltexte und der vorab festgelegten Punkte geprüft; anschließend wurden die Modellkennungen zugeordnet. Die 30 Bewertungsdateien wurden vor Auflösung der Kennungen per SHA-256 festgeschrieben und danach nicht geändert. Es wurde kein getestetes Modell als automatischer Richter verwendet. Ersteller des synthetischen Korpus und Auswerter sind derselbe Agent; die Bewertung ist keine unabhängige fachärztliche Validierung. Die neutralen Kennungen, Bewertungseinträge und Zuordnung bleiben zur Prüfung erhalten.

Eine mehrdeutige Stelle wurde vor Auflösung der Kennungen ausdrücklich konservativ behandelt: GP09 sagt „wir ... nehmen ein Blutbild ab“, ohne eine abgeschlossene Abnahme eindeutig zu bestätigen. Eine Darstellung als geplant wurde deshalb nicht als falscher Vorgang gewertet. Der eingefrorene Korpus blieb unverändert; die Regel steht in `review_adjudications.json`. Weitere mehrdeutige Kurzformulierungen wurden ebenfalls nicht allein aufgrund der ungünstigsten Lesart als sicher falsch gewertet.

Der Korpus enthält gezielt Dosiskorrekturen, Einheiten, Fremdmedikation, Patienten-/Angehörigenzuordnung, unklare Befunde, vorläufige Diagnosen, Vergangenheit gegenüber Gegenwart, tatsächlich erfolgte gegenüber geplanten Maßnahmen und bedingte Wiedervorstellung. Er ist damit kein repräsentativer Zufallsquerschnitt realer Sprechstunden. Sprecherlabels wurden vorgegeben; ASR und Diarisierung wurden in diesem Test nicht bewertet.

## Konkrete Unterschiede

### 1. GP01: Kontrollplan und eigene Messliste

Quelle: Eigene Blutdruckliste weiterführen und die Werte in zwei Wochen erneut besprechen.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | Angabe fehlt; siehe Einzelbewertung. |
| Qwen3.5-9B Q4_K_M / 32k | „Blutdruckwerte in zwei Wochen erneut besprechen.“ |
| Qwen3.5-9B Q6_K / Original | „Kontrolltermin in zwei Wochen.“ |
| Qwen3.8-27B UD-Q4_K_M | „Kontrolltermin in zwei Wochen zur Besprechung der Werte.“ |

4B lässt den Kontrollplan vollständig aus. Beide 9B-Varianten und 27B erhalten ihn. Q4 gibt die häuslichen Werte nur ungefähr mit 132/82 wieder, Q6/27B zusätzlich mit dem genauen Bereich. 27B ergänzt außerdem den nicht belegten Ausschluss „Keine orthostatische Dysregulation“.

### 2. GP13: Mikrogramm-Dosierung korrekt, Nachkontrolle unterschiedlich

Quelle: L-Thyroxin 75 µg Montag–Freitag, 100 µg Samstag/Sonntag; TSH-Kontrolle in acht Wochen.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | Angabe fehlt; siehe Einzelbewertung. |
| Qwen3.5-9B Q4_K_M / 32k | „Blutabnahme für TSH-Kontrolle in 8 Wochen.“ |
| Qwen3.5-9B Q6_K / Original | „Blutabnahme für TSH-Kontrolle in 8 Wochen.“ |
| Qwen3.8-27B UD-Q4_K_M | „Nächste TSH-Kontrolle in 8 Wochen.“ |

Alle vier erhalten die alternierende Dosis und die Einheit Mikrogramm korrekt. Beim 4B fehlt die Achtwochenkontrolle; dort steht im Prozedere nur die nicht durchgeführte Sonografie. Das ist ein Beispiel für verlorenen Plan bei korrekter Kerndosis.

### 3. GP16: Depression der Tochter wird zur Erkrankung der Mutter

Quelle: Die Tochter sagt „Ich habe selbst Depressionen“; die Mutter hat diese Diagnose bisher nicht erhalten.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Patientin hat eigene Depressionen, keine Demenz-Diagnose bisher.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Keine Depressionen bei Patientin bekannt.“ |
| Qwen3.5-9B Q6_K / Original | „Patientin hat selbst Depressionen (Diagnose bei Patientin bisher nicht gestellt).“ |
| Qwen3.8-27B UD-Q4_K_M | „Keine bisherige Diagnose einer Depression bei der Patientin (Tochter hat selbst Depressionen).“ |

4B und Q6 übernehmen die Erkrankung falsch in die Eigenanamnese der Mutter. Der Q6-Klammerzusatz macht die Aussage zusätzlich widersprüchlich. Q4 und 27B unterscheiden die Personen hier richtig. Q6 ist damit in diesem Fall gegenüber Q4 nicht im Vorteil.

### 4. GP20: Auch 27B ersetzt eine Negation durch den falschen Begriff

Quelle: Kein schwarzer Stuhl, kein sichtbares Blut im Stuhl und kein Blut im Urin.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | Angabe fehlt; siehe Einzelbewertung. |
| Qwen3.5-9B Q4_K_M / 32k | „Keine Blutung im Stuhl oder Urin.“ |
| Qwen3.5-9B Q6_K / Original | „Keine Blut im Stuhl oder Urin.“ |
| Qwen3.8-27B UD-Q4_K_M | „Keine Meläna, keine Hämatemesis, keine Hämaturie.“ |

27B ersetzt den fehlenden sichtbaren Blutabgang im Stuhl durch die nicht besprochene Hämatemesis. Hämatemesis bezeichnet Bluterbrechen, also einen anderen Sachverhalt ([MSD Manual](https://www.msdmanuals.com/de/heim/verdauungsst%C3%B6rungen/gastrointestinale-blutung/gastrointestinale-blutung)). Die 9B-Varianten kürzen die Blutungsnegationen, 4B lässt sie aus. Höhere Abdeckung verhindert diesen konkreten Fehler des 27B nicht.

### 5. GP22: Wissensvorbehalt bei einer Allergie und fremde Erkrankung

Quelle: Beim Patienten ist eine Penicillinallergie nicht bekannt; der Sohn hatte eine Mittelohrentzündung.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Keine Mittelohrentzündung bei Sohn, Penicillinallergie nicht bekannt.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Keine bekannte Penicillinallergie.“ |
| Qwen3.5-9B Q6_K / Original | „Patient hat keine Penicillinallergie.“ |
| Qwen3.8-27B UD-Q4_K_M | „Keine bekannte Penicillinallergie.“ |

4B verneint die ausdrücklich genannte Erkrankung des Sohnes. Q6 macht aus „nicht bekannt“ einen sicheren Allergieausschluss. Q4 und 27B bewahren den Wissensvorbehalt. 27B ergänzt in derselben Antwort allerdings „Fieber“ zur häuslichen Temperaturangabe, ohne dass die Quelle diesen Befund nennt.

### 6. GP23: Fieber wird trotz ausdrücklicher Verneinung dokumentiert

Quelle: Kein gemessenes Fieber; häusliche Temperatur 36,9 °C. Zwei Selbsttests negativ, eigene PCR noch ausstehend.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Fieber 36,9 Grad gemessen.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Fieber 36,9 Grad.“ |
| Qwen3.5-9B Q6_K / Original | „Gemessene Temperatur heute früh 36,9 Grad.“ |
| Qwen3.8-27B UD-Q4_K_M | „Gemessene Temperatur heute früh 36,9 °C.“ |

4B und Q4 benennen die Zahl als Fieber und widersprechen damit der Quelle. Q6 und 27B geben sie neutral als Temperatur wieder. Keine der vier Antworten macht aus den negativen Selbsttests eine bereits negative eigene PCR; der ausdrücklich fehlende sichere Infektionsausschluss wird aber häufig nicht nochmals dokumentiert.

### 7. GP25: Zwei Monate werden zu zwei Tagen, Beratung zum Rauchstopp

Quelle: Vor zwei Monaten von 20 auf 5 Zigaretten/Tag reduziert; Rauchstoppdatum noch offen, nur Beratung in zwei Wochen vereinbart.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Beratungstermin in zwei Wochen vereinbart.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Vor zwei Tagen ca. 20 Zigaretten/Tag, seitdem 5 Zigaretten/Tag.“ |
| Qwen3.5-9B Q6_K / Original | „Vereinbarung eines Rauchstopptermins in zwei Wochen.“ |
| Qwen3.8-27B UD-Q4_K_M | „Kein bestimmtes Datum für den Rauchstopp vereinbart.“ |

Q4 verändert die Zeitspanne und behauptet zusätzlich einen festen Rauchstopptermin in zwei Wochen. Q6 behauptet diesen Termin im Therapiefeld ebenfalls, benennt ihn im Prozedere aber korrekt als Beratung. 27B trennt offene Entscheidung und Beratungstermin. 4B nennt die Beratung richtig, lässt die noch offene Rauchstoppentscheidung jedoch weg.

### 8. GP28: Nicht genannter Verabreichungsweg beim Morphinplan

Quelle: Vorhandener schriftlicher Bedarfsplan Morphin 2,5 mg; bisher keine Dosis gegeben. Kein Verabreichungsweg genannt.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Morphin 2,5 mg bei Bedarf“ |
| Qwen3.5-9B Q4_K_M / 32k | „Morphin 2,5 mg i.v. bei Bedarf“ |
| Qwen3.5-9B Q6_K / Original | „Morphin 2,5 mg i.d.“ |
| Qwen3.8-27B UD-Q4_K_M | „Morphin 2,5 mg bei Bedarf“ |

Q4 ergänzt ausdrücklich „i.v.“. Q6 ergänzt die nicht definierte Abkürzung „i.d.“; ihr wird in dieser Auswertung keine bestimmte Bedeutung unterstellt. Beide Zusätze fehlen in der Quelle. 4B und 27B lassen den Weg offen. 4B ergänzt allerdings einen nicht belegten „guten Allgemeinzustand“, 27B hält auch den restlichen Ablauf vollständig fest.

### 9. GP29: Späte Dosiskorrektur bleibt auch mit 4B und Q4 erhalten

Quelle: Zuerst unsicher eine ganze 5-mg-Tablette Ramipril genannt; später eindeutig auf eine halbe Tablette, 2,5 mg morgens, korrigiert.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Ramipril 2,5 mg morgens.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Ramipril 2,5 mg morgens.“ |
| Qwen3.5-9B Q6_K / Original | „Ramipril 2,5 mg morgens.“ |
| Qwen3.8-27B UD-Q4_K_M | „Ramipril 2,5 mg morgens“ |

Alle vier übernehmen die zuletzt bestätigte korrekte Dosis. Q6 erhält in diesem Fall alle acht Prüfpunkte vollständig. 4B erfindet zusätzlich eine Prüfung des häuslichen Blutdruckgeräts; 27B ergänzt „Keine orthostatische Instabilität“ und verwendet das ungenauere „Monofilamenttest positiv“ statt ausdrücklich wahrgenommener Berührung. Ein längerer Text macht 27B nicht automatisch in jedem Detail besser.

### 10. GP30: Häuslicher Messwert versus Praxisvitalwerte

Quelle: Blutdruck 128/72 und Puls 64 heute in der Praxis; 37,0 °C stammen von einer Hausmessung gestern Abend.

| Modell | Auszug beziehungsweise dokumentierte Auslassung |
|---|---|
| Qwen3.5-4B Q4_K_M | „Temperatur 37,0 Grad.“ |
| Qwen3.5-9B Q4_K_M / 32k | „Temperatur 37,0°C.“ |
| Qwen3.5-9B Q6_K / Original | „Temperatur 37,0°C.“ |
| Qwen3.8-27B UD-Q4_K_M | „Temperatur 37,0 °C (Hausmessung gestern Abend).“ |

Nur 27B hält Ort und Zeitpunkt der Temperatur ausdrücklich fest. Bei 4B steht sie ohne Herkunft in der Anamnese, bei beiden 9B-Varianten neben den Praxisvitalwerten im Befund. Mangels ausdrücklich behaupteter neuer Praxismessung wurde das konservativ als fehlende Provenienz/Feldproblem und nicht als sicher erfundener Messvorgang behandelt. Alle vier halten die Metoprololdosis weiter offen und übernehmen das bestätigte Absetzen von Amlodipin.

## Einordnung

Die Messreihe stützt 9B-Q4 als brauchbaren Kompromiss für das getestete serielle 8-GB-Profil: Gegenüber Q6 ist vor allem eine etwas geringere Detailabdeckung sichtbar. In 15 von 30 Fällen ist die gewichtete Abdeckung gleich, Q4 liegt in 4 Fällen höher und in 11 niedriger. Es gibt einzelne relevante Fehler auf beiden Seiten; eine allgemeine Gleichwertigkeit ist mit 30 synthetischen Fällen und einem Seed nicht nachgewiesen. 4B ist schneller, verliert aber häufiger Nachsorge, Bedingtheit oder Angehörigenkontext. 27B ist in 20 von 30 Fällen vollständiger als Q6, in 8 gleich und in 2 weniger vollständig; zugleich zeigen Hämatemesis, zusätzliche Normalbefunde und andere Präzisierungen, warum Abdeckung allein keine Fehlerfreiheit beweist. Die Zusatzbehauptungen reichen von unnötigen Details bis zu relevanten Personen-/Medikationsfehlern und sollten nicht als gleich schwere klinische Fehler addiert werden. Die Zahlen sind eine transparente Quellenbewertung dieses Korpus, keine allgemeine medizinische Qualitätsquote. Der Originalprompt fordert knappe Texte und erlaubt das Weglassen unklarer Angaben; ein fehlender Nebenpunkt ist daher von einer falschen Aussage zu unterscheiden.

## Wiederherstellung und Datenprüfung

Der ursprüngliche 9B-Q6_K-Pfad mit sämtlichen Originalargumenten, drei Slots und angefordertem Kontext 262144 ist wieder aktiv. Alle elf ursprünglichen Dienste einschließlich Kokoro laufen; die ursprünglichen Whisper-Prozesse/Modellobjekte und die pyannote-Pipeline samt Geräte-/Allocator-Einstellungen wurden bestätigt. Produktionsdateien sind per SHA-256 unverändert. Temporäre Controller wurden geschlossen; abschließende echte ASR- und LLM-Aufträge waren erfolgreich.

Eine Statusabfrage des Messhelfers brach nach den ersten 60 vollständigen Hauptläufen ab, weil unbenutzte Q6-Slots noch keine Sampler-Metadaten enthielten. Der Originalbetrieb wurde automatisch wiederhergestellt. Nach Korrektur blieben die 60 vollständigen Ergebnisse erhalten; Q6 und 27B wurden fortgesetzt. Der eine bereits erzeugte, aber noch nicht vollständig protokollierte Q6-Aufruf aus dem ersten Versuch ist unter `instrumentation_failure_01/` aufbewahrt und aus den 120 Hauptantworten ausgeschlossen. Er wurde nicht anhand seines Inhalts ausgewählt.

Datenprüfung: 120 Hauptantworten, 120 bewertete Antworten und 960 Einzelbewertungen. Telemetrie in 2 getrennten Abschnitten mit 3052 Messpunkten; Abstand innerhalb der Abschnitte Median 150.0 ms, Maximum 393.6 ms. Monitorfehler: 0. Beobachteter Swap maximal 1.3 MiB.

- [Vollständige 30 Einzelfälle mit allen vier Antworten und Bewertungsgründen](Einzelfaelle.md).
- `corpus/`: unveränderte Gespräche, Prüfaussagen, Protokoll und Hashes.
- `raw/`, `runs.json`, `loads.json`: vollständige Anfragen/SSE-Antworten, Tokenzahlen, Zeit- und Speicherwerte.
- `summary/model_summary.csv`, `summary/case_reviews.csv`, `summary/fact_reviews.csv`: Modell-, Fall- und Kriterienebene; jeweils auch als JSON.
- `review_panels/`, `review_scores/`, `blind_key.json`, `review_commitment.json`: neutrale Ansichten, Einzelurteile und spätere Modellzuordnung.
- `final_restoration.json`, `data_audit.json`, `pairing_audit.json`, `preflight.json`, `source_manifest.json`, `SHA256SUMS`: Betriebszustand, Daten-/Modellherkunft und Integritätsnachweise.