Gemma 4 31B Instruct

Mit einem Gesamtscore von 76,03 Prozent zeigt Gemma 4 31B Instruct genau den Typ Modell, den man von einem dichten Workstation-Generalisten mit Coder- und Reasoning-Schlagseite erwarten darf: breit kompetent, oft präzise, selten brillant, aber fast nie peinlich. Der Speed Profile Badge lautet „Batch Tool Expert“. Das passt. Dieses Modell denkt und formuliert wie ein Assistent für ernsthafte Arbeitslasten, nicht wie ein nervöser Chat-Sprinter. Sovereign Risk: HIGH — Google DeepMind ist ein US-Anbieter, und bei Cloud-Betrieb wäre der CLOUD Act relevant; dieser konkrete Testlauf betrifft jedoch lokale Open Weights.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Erwartungshaltung

Die vorab vergebene Kategorisierung trifft den Kern erstaunlich gut, man muss sie nur richtig lesen. Gemma 4 31B Instruct ist in diesem Benchmark ein Generalist, keine reine Code-Maschine und kein ausschließlich auf Tiefendenken getrimmtes Spezialwerkzeug. Gleichzeitig ist es ein dichtes Workstation-Modell mit 30,7 Milliarden Parametern, bei dem alle Gewichte pro Antwortschritt aktiv sind. Dense heißt hier nicht nur klassische Architektur, sondern auch klassischer Anspruch: Wer in dieser Größenklasse antritt, darf sich nicht hinter Sparsamkeit oder MoE-Effizienz verstecken.

Wichtig ist der Testmodus. Obwohl die Modellfamilie Reasoning und Thinking grundsätzlich unterstützt, lief dieser konkrete Benchmark im Modus Standard, also mit deaktiviertem Thinking. Das kalibriert die Erwartungen sauber. Kürzere, direktere Antworten sind in diesem Lauf keine Schwäche, sondern Sollzustand. Dass Gemma trotzdem in Logik und Struktur sichtbar reasoning-fähig bleibt, ist eher ein Qualitätsbeweis als ein Zufall.

Die Multimodalität hilft in einem Textbenchmark naturgemäß nur indirekt. Sie gehört zum Charakter des Modells, schlägt sich hier aber nicht vollständig nieder. Wer das Ergebnis liest, sollte deshalb nicht so tun, als sei damit das ganze Modell vermessen. Text-only zeigt bei einem multimodalen System immer nur den halben Körper.

Geschwindigkeit und Betriebscharakter

Gemma 4 31B Instruct wurde als lokales Modell nativ auf dem ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) evaluiert. Der Speed Profile Badge „Batch Tool Expert“ beschreibt den Charakter treffend: keine interaktive Klinge für hektische Shell-Dialoge, sondern ein Modell für Aufgaben, bei denen Struktur und Vollständigkeit wichtiger sind als unmittelbare Reaktionslust.

Im Alltag bedeutet das: Das Modell arbeitet nicht langsam im banalen Sinn, sondern schwerfällig im Randbereich. Die Ausgabe ist meist kontrolliert, token-ökonomisch und keineswegs geschwätzig, aber die Verteilung der Antwortzeiten ist unruhig. Genau das macht den Stabilitätsbefund so relevant. Für einen einzelnen Nutzer ist das lästig. Für Agenten- oder Pipeline-Betrieb wird es operativ.

Positiv ist die Token-Disziplin. Über alle gemessenen Module bleibt Gemma 4 31B Instruct unter dem Fleet-Median. Es verhält sich token-ökonomisch, kein Modul übersteigt den erwarteten Verbosity-Rahmen. Das ist nicht glamourös, aber professionell. Ein Modell, das nicht unnötig redet, spart auf einem lokalen System vor allem Zeit.

Reasoning und Logik

Im Reasoning-Modul zeigt das Modell eine seiner klarsten Stärken. Die Antworten sind sauber gegliedert, sprachlich diszipliniert und logisch tragfähig. Das Beispiel mit den zwei Wächtern löst Gemma korrekt, in gutem Deutsch und mit nachvollziehbarer Schrittfolge. Es zerlegt das Problem ordentlich, prüft die Fälle und landet bei der klassischen Gegenfrage. Kein Hokuspokus, keine unnötige Mystifizierung. So soll ein Instruct-Modell im Standard-Modus arbeiten.

Was fehlt, ist nicht Korrektheit, sondern Glanz. Der Judge bemängelt zu Recht die geringere didaktische Tiefe gegenüber der Referenz: keine Alternativformulierungen, keine robustere Meta-Erklärung, keine visuelle Aufbereitung. Das ist kein kleiner Makel, sondern die Grenze des Modells in diesem Setup. Gemma denkt hier richtig, aber nicht luxuriös. Es löst Probleme, ohne sie auszuleuchten.

Gerade deshalb ist der Vergleich mit dem separaten Thinking-Lauf interessant. In den vorliegenden Daten gewinnt Gemma im Thinking-Modus nicht hinzu, sondern verliert im Gesamtergebnis leicht und wird deutlich schwerer im Betriebsverhalten. Das ist ein bemerkenswerter Befund. Dieses Modell wirkt im Standard-Modus fokussierter und alltagstauglicher, während der Thinking-Schalter eher Reibung als Rendite erzeugt. Nicht jedes Reasoning-Modell profitiert in der Praxis von sichtbar längerem Nachdenken. Gemma gehört hier offenbar zu den Kandidaten, bei denen die nüchternere Variante die bessere ist.

Code Quality und Security

Für ein Modell mit Coder-Tag ist die Code- und Audit-Leistung ordentlich, aber nicht unangreifbar. Im Security-Audit liefert Gemma eine sauber formatierte Markdown-Tabelle, erkennt den Großteil der relevanten Schwachstellen und erklärt auch subtilere Angriffsvektoren mit handwerklicher Sicherheit. SQL-Injection, Path Traversal, schwache Token, CSRF, Type Juggling: Das sitzt im Wesentlichen.

Der Haken liegt dort, wo Sicherheitsarbeit vom soliden Einzelbefund zur systemischen Schärfe wechseln müsste. Das Modell übersieht ausgerechnet ein paar der peinlicheren Klassiker, darunter hartkodierte Datenbankzugänge und eine fehlende Ablaufzeit für Reset-Tokens. Außerdem unterschätzt es einzelne Kettenrisiken wie IDOR und Type-Juggling in ihrer Kritikalität. Das ist der Unterschied zwischen einem guten Reviewer und einem Auditor, der nachts Pager-Verantwortung trägt. Gemma erkennt viel. Aber es priorisiert nicht immer mit der nötigen Härte.

Man sieht das schön an der Tonlage der Antwort. Die Erklärungen sind klar, teilweise pädagogisch stark, teils sogar eleganter formuliert als die Referenz. Doch gute Erklärungen ersetzen keine vollständige Erfassung. In Security gilt eine brutale Regel: Eine fehlende kritische Lücke ist nicht bloß ein Punktabzug, sondern ein potenziell teurer Blindflug.

Immerhin bleibt die Form stabil. Die Tabelle steht, die Spaltenstruktur passt, das Modell entgleist nicht in Formatfehler oder leere Platzhalter. Gerade bei lokalen Open-Weight-Modellen ist das keine Selbstverständlichkeit. Gemma wirkt in Code Quality wie ein Entwickler mit Erfahrung, aber ohne den letzten paranoiden Instinkt des Red Teams.

CLI, Tool-Use und Halluzinationsrisiko

Im CLI- und Tool-Bereich ist das Bild zweigeteilt. Der Modulteilwert fällt stark aus, was auf gutes Befolgen technischer Arbeitsaufträge hindeutet. Gemma kann also strukturierte, werkzeugnahe Aufgaben in der Regel überzeugend bedienen. Das passt zur Einordnung als Batch Tool Expert und zur generell instruktionssicheren Art des Modells.

Der eine dokumentierte Halluzinationsfall ist allerdings kein Schönheitsfehler, sondern ein Warnschild. In einer Tool-Use-Aufgabe erfand das Modell Inhalte, die nicht aus dem abgerufenen Tool-Ergebnis stammten; der Score wurde deshalb per Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche, Befundzusammenfassungen oder faktengebundene Reports ist das ein disqualifizierendes Signal. Sobald ein Modell bei angeblich toolgestützter Antwort Material dazudichtet, zerfällt die ganze Idee der verifizierbaren Assistenz.

Das heißt nicht, dass Gemma generell fabuliert. Im Gegenteil, das Gesamtbild ist eher kontrolliert als halluzinatorisch. Aber gerade in Tool-Workflows ist ein einziger sauber dokumentierter Bruch relevanter als zehn unauffällige Aufgaben. Denn Tool-Use ist kein Poesiealbum. Entweder die Antwort stammt aus dem Werkzeug. Oder sie ist nicht vertrauenswürdig.

Content Transformation und UX Writing

Im Bereich Content Transformation zeigt Gemma eine Stärke, die viele techniklastige Modelle nur behaupten: Es kann Produktionsmaterial tatsächlich in brauchbare Form bringen. Das Videoskript zur Zwei-Faktor-Authentifizierung ist strukturiert, deutschsprachig, mit Timestamps, Regiehinweisen, On-Screen-Elementen und passabler Spoken-Word-Tonalität. Das ist keine sterile Musterantwort, sondern ein Text, mit dem ein Produktionsteam arbeiten kann.

Der Qualitätsabstand zur Referenz liegt weniger in der Struktur als in der Psychologie. Der Hook ist funktional, aber nicht maximal zugkräftig. Retention-Elemente und Pattern Interrupts sind vorhanden, aber nicht aggressiv genug auf Aufmerksamkeit getrimmt. Das Easter Egg ist nett, aber passiv. Kurz gesagt: Das Modell liefert ein brauchbares Skript, denkt aber eher wie ein gewissenhafter Redakteur als wie ein Creator, der um jede Sekunde Watchtime kämpft.

In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell bei der Analyse-Sektion die explizite Längenvorgabe leicht und verfehlte damit die geforderte extreme Knappheit. Das ist kein Totalschaden, aber ein klassisches Signal für begrenzte Constraint-Schärfe unter Mehrfachvorgaben aus Stil, Struktur und Umfang.

UX Writing ist insgesamt besser, als der Coder-Tag vermuten lässt. Die Modulwerte sprechen für solide Mikrotexte ohne groteske Ausreißer. Gleichzeitig bleibt spürbar, dass Gemma nicht aus der Schule der großen Sprachstilisten kommt. Es schreibt ordentlich, oft klar, manchmal etwas funktional. Der Leser bekommt selten Zucker, aber auch kaum sprachlichen Schrott.

Documentation Quality

Die Dokumentationsleistung liegt im guten, nicht überragenden Bereich. Das passt auffällig gut zum Gesamtcharakter des Modells. Gemma erklärt strukturiert, bleibt sachlich und verliert sich nicht in unnötigem Text. Es erzeugt die Art Dokumentation, die man in einem internen Wiki respektiert, aber nicht rahmt.

Die Schwäche liegt auch hier weniger in groben Fehlern als in Tiefe und Schliff. Wo Spitzenmodelle zusätzlich antizipieren, Gegenfragen absichern oder komplexe Sachverhalte didaktisch staffeln, bleibt Gemma oft bei der direkten Erfüllung. Das ist nützlich. Es ist nur nicht die Königsklasse.

Cultural Intelligence

Im Cultural-Intelligence-Modul zeigt das Modell angenehme sprachliche Kontrolle. Die deutsche Umformulierung einer toxisch aufgeladenen Stellenanzeige gelingt professionell, vollständig auf Deutsch und ohne unnötige Meta-Erklärungen. Problematische Begriffe werden entfernt, der Ton wird sachlicher, die Ansprache inklusiver. Das ist mehr als bloße Übersetzung. Es ist redaktionelle Bereinigung mit funktionierendem Taktgefühl.

Was fehlt, ist die letzte kulturelle Präzision. Der Judge verweist auf passendere deutsche HR-Idiome und eine explizitere inklusive Rahmung, die die Referenz feinjustierter trifft. Genau dort sieht man die Grenze eines stark instruktionsorientierten Generalisten. Gemma macht es richtig. Die Referenz macht es kulturell schärfer. Im Berufsalltag ist dieser Unterschied real, aber selten ruinös.

Datenschutz und Datenhoheit

Dieser konkrete Lauf nutzt lokale Open Weights, nicht einen Cloud-Endpunkt. Für europäische Unternehmen ist das die entscheidende Entlastung: Bei rein lokalem Betrieb werden keine Nutzdaten an Google übertragen, und die in der Vendor Card beschriebene CLOUD-Act-Exposition greift praktisch nicht. Die Weights-Provenienz bleibt dennoch ein relevanter Kontextpunkt: Das Risiko ist als MEDIUM eingestuft, weil Google DeepMind ein US-Unternehmen ist. Positiv ist die Lizenzlage. Apache-2.0 ist hier ein echter Fortschritt, keine juristische Fußangel im Open-Weight-Kostüm.

Fazit

Gemma 4 31B Instruct ist ein ernst zu nehmender lokaler Workstation-Generalist mit dichter 30,7B-Architektur, 256K Kontext und klarer technischer Handschrift. Es erreicht 76,03 Prozent, arbeitet token-ökonomisch, argumentiert sauber und liefert in Code, Tooling, Reasoning und textnaher Transformation insgesamt ein stimmiges Profil. Seine Schwächen sind nicht beliebig verteilt, sondern charakteristisch: Security-Priorisierung manchmal zu weich, kreativer Zug im Schreiben begrenzt, Tool-gebundene Faktentreue nicht absolut, Stabilität im langen Schwanz der Antwortzeiten klar problematisch.

Für lokale Assistenzsysteme, strukturierte Textarbeit, technische Reviews und viele Batch-Aufgaben ist das Modell eine überzeugende Wahl. Für unbeaufsichtigte Agentenpipelines, zeitkritische Interaktion und faktenkritische Tool-Recherche braucht es dagegen Leitplanken, Retrys und im Zweifel menschliche Endkontrolle. Der Standard-Lauf ist dabei die bessere Fassung dieses Modells. Der separate Thinking-Lauf wirkt im Datensatz nicht stärker, sondern träger und insgesamt weniger lohnend. Gemma 4 31B Instruct ist damit kein Blender und kein Überflieger. Es ist ein belastbares Arbeitsmodell mit Ecken. Und genau deshalb interessanter als viele glattpolierte Mittelmaßmaschinen.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.