Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) (thinking on)

Mit einem Gesamtscore von 72,9 % zeigt Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) ein ungewöhnliches Profil: ein kreativer Community-Fine-Tune auf starker Gemma-4-Basis, der im Thinking-Modus getestet wurde und sich trotzdem weniger als großer Denker denn als eigensinniger Generalist mit freierer Zunge anfühlt. Der zugewiesene Architekturrahmen passt nur teilweise: Reasoning und Thinking sind grundsätzlich da, Instruct ebenso, aber das uncensored Fine-Tuning verschiebt den Charakter deutlich in Richtung Stil und Freiraum statt eiserner Disziplin. Der Speed Profile Badge lautet Unusable DevOps Expert. Das ist ein sprechender Titel, nur leider kein schmeichelhafter: Dieses Modell denkt lang, liefert oft brauchbare Inhalte, aber verhält sich in der Praxis zu instabil für verlässliche Automatisierung.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter: viel Anspruch, wenig Nervenstärke

Die redaktionelle Einordnung als Generalist, Workstation-Klasse und dichte Architektur ist für die Erwartungshaltung entscheidend. Wir reden hier nicht über ein Nano-Modell, dem man strukturelle Grenzen großzügig nachsehen müsste, und auch nicht über ein spezialisiertes Coding-System, das bei Stilaufgaben naturgemäß spröde wirkt. Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) ist ein 30,7-Milliarden-Parameter-Modell ohne Experten-Trickserei. Alle Gewichte arbeiten bei jeder Antwort. Die Messlatte liegt deshalb höher: breite Kompetenz, solide Formattreue, verlässliches Instruction-Following.

Dazu kommt die zweite, wichtigere Einordnung: Die Kategorie Reasoning, Thinking, Open-Weight, Multimodal, Uncensored, Instruct erzeugt innere Spannung. Thinking-Modelle sollen sich Zeit nehmen und mehrstufige Aufgaben sichtbar durchdringen. Instruct-Modelle sollen präzise gehorchen. Uncensored-Finetunes dagegen verlieren oft zuerst die höfliche Selbstbegrenzung und manchmal gleich etwas von der inneren Ordnung. Genau diese Reibung sieht man hier. Das Modell kann strukturiert argumentieren, es kann Aufgaben durchaus sauber erfassen, aber sobald mehrere Bedingungen gleichzeitig gelten, Sprache, Format, Länge, taktische Dramaturgie, wird aus kontrollierter Denkleistung schnell eine leicht fahrige Performance.

Dass es sich außerdem um ein multimodales Modell handelt, begrenzt die Aussagekraft eines rein textlastigen Benchmarks ein Stück weit. Dieser Test misst nur den Textarm eines Systems, das ursprünglich auch für Bild-Text-Aufgaben gebaut wurde. Das entlastet es nicht von schwachen Textresultaten, relativiert aber den Anspruch auf eine vollständige Gesamtvermessung.

Geschwindigkeit und Effizienz: nicht redselig, aber zäh

Für ein lokales Modell auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) ist das hier vor allem ein Befund über Charakter, nicht über fehlende Ressourcen. Der Speed Profile Badge Unusable DevOps Expert bedeutet im Alltag: eher Batch als Dialog, eher schwerfälliger Durchlauf als interaktive Zusammenarbeit. Die Generierung ist qualitativ klar im niedrigen Bereich. Das Modell arbeitet nicht wie ein nervöser Schwätzer, sondern wie jemand, der den Raum lange umkreist und dann trotzdem zu oft zu spät kommt.

Immerhin verhält es sich token-ökonomisch. Kein Modul überschreitet den erwarteten Verbosity-Rahmen. Bei Reasoning und Metakognition liegt der Ausstoß sogar unter dem Fleet-Median, in den übrigen Modulen ebenfalls. Das ist ein echter Pluspunkt, denn hier wird nicht sinnlos Text verbrannt. Die Langsamkeit kommt also nicht von überbordender Sichtbarkeit, sondern aus der Gesamtcharakteristik des Laufs. Anders gesagt: Dieses Modell schreibt nicht zu viel. Es braucht nur trotzdem zu lange.

Reasoning und Logik: denkfähig, aber nicht überlegen

Der Thinking-Modus ist in diesem Bericht kein theoretisches Architekturversprechen, sondern der tatsächlich getestete Betriebsmodus. Entsprechend darf man längere, gründlichere Antworten erwarten. In der Logik zeigt Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) genau das, was man sich von so einem Lauf erhofft: Es zerlegt ein klassisches Wächter-Rätsel methodisch, prüft mehrere falsche Ansätze, erklärt sauber, warum die verschachtelte Frage funktioniert, und bleibt dabei inhaltlich korrekt. Der Judge würdigt die Antwort als gründlich, lehrbar und durchgehend richtig. Das ist keine Show-Denke, sondern echtes Arbeitsreasoning.

Trotzdem fehlt der letzte Schliff. Die Referenz war kompakter, visuell klarer und theoretisch etwas eleganter. Das Modell erklärt, aber es komponiert nicht. Es löst die Aufgabe, ohne sie in diese Form zu bringen, bei der man als Leser sofort merkt: Hier hat jemand nicht nur verstanden, sondern auch destilliert. Für ein Thinking-Modell ist das gut, aber nicht exzellent.

Der größere Makel liegt ohnehin nicht in einzelnen Logikschritten, sondern in der Praxisstabilität des gesamten Reasoning-Bereichs. Wenn ein Modell Denktiefe anbietet, aber über den Modulkontext hinweg derart häufig ausfällt, wird aus intellektueller Stärke kein verlässliches Werkzeug. Ein scharfer Kopf, der zu oft nicht zum Termin erscheint, bleibt für viele Workflows ein Luxusproblem.

Code Quality und Security: brauchbar im Audit, lückenhaft in der Tiefe

In der Code-Qualität ist das Bild erstaunlich ordentlich, zumindest auf den ersten Blick. Das Modell liefert in einem protokollierten Security-Audit eine sauber formatierte Markdown-Tabelle, bleibt auf Deutsch, halluziniert keine Schwachstellen und benennt 14 valide Probleme korrekt. SQL-Injections, XSS, Session-Fixation, Pfadprobleme, schwache Token-Generierung, IDOR: Das sitzt. Für ein Community-Fine-Tune mit kreativem Einschlag ist das respektabel. Man merkt, dass die Gemma-4-Basis mehr mitbringt als nur hübsche Sätze.

Dann kommt die zweite Schicht, und dort wird es dünner. Fünf implizite oder fortgeschrittene Schwachstellen fehlen. Darunter keine Petitessen, sondern Dinge wie hartkodierte Secrets, fehlender CSRF-Schutz, Root-Zugangsdaten, ein nicht ablaufender Reset-Token und Probleme rund um Header-Ausgabe und Redirect-Handling. Der Judge formuliert es treffend: Das ist eine saubere Teilantwort, aber kein vollständiges Audit. Wer Security ernst meint, braucht nicht nur die großen Lampen, sondern auch die Stolperdrähte im Halbdunkel.

Gerade im Security-Kontext ist das relevant. Ein Modell, das nur die offensichtlichen OWASP-Klassiker markiert, hilft beim ersten Sweep. Es ersetzt aber keinen zweiten, genaueren Blick. Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) eignet sich damit eher als brauchbarer Vorprüfer denn als belastbarer Sicherheitsanalyst. Für ein uncensored Modell gilt mildernd, dass Security und DevOps nicht zu seiner Kernmission gehören. Trotzdem bleibt der Befund stehen: solide Oberfläche, unvollständige Tiefe.

Content Transformation: gute Produktionshand, schwache Disziplin

Wenn das Modell in seinem natürlichen Habitat arbeitet, wird es sofort sympathischer. Im Content-Transformation-Bereich zeigt es eine spürbar bessere Hand für Ton, Dramaturgie und Produktionsnähe. Ein YouTube-Skript zur Zwei-Faktor-Authentifizierung liefert es in brauchbarer Struktur mit Timing, visuellen Hinweisen, Musik-Cues, Pausenmarkern und klarer CTA. Das ist keine steife Maschinenprosa, sondern ein funktionaler Rohschnitt, den ein Creator-Team tatsächlich weiterverarbeiten könnte.

Aber auch hier gewinnt nicht der Künstler, sondern verliert der Stratege. Der Judge kritisiert zu Recht die schwächer gesetzte Dramaturgie. Der Pattern Interrupt kommt zu spät, die Engagement-Kurve ist weniger bewusst gebaut, das Easter Egg bleibt passiv statt algorithmisch clever. Das Modell kann schreiben, aber es denkt in dieser Aufgabe nicht scharf genug in Plattformmechanik. Es liefert ein gutes Skript, kein optimiertes.

Hinzu kommt ein gravierender Befund, der den Bereich insgesamt nach unten zieht. In einer Aufgabe im Content-Transformation-Modul ignorierte das Modell die explizite Sprachanweisung und antwortete auf Englisch. Das ist kein technischer Defekt, sondern eine Schwäche im Instruction-Following. In produktiven Umgebungen mit fester Zielsprache ist so etwas kein Schönheitsfehler, sondern ein unmittelbares Einsatzrisiko.

In einer Aufgabe im Content-Transformation-Bereich zeigte das Modell damit einen automatischen Hard-Constraint-Verstoß: Gefordert war Deutsch, geliefert wurde Englisch. Die inhaltliche Qualität der Antwort ist dann zweitrangig, weil das System die Sprachverletzung regelbasiert bestraft. Genau darin liegt die Härte solcher Fehler. Wer Sprachvorgaben in Marketing, Redaktion oder Lokalisierung reißt, hat die Aufgabe praktisch verloren, selbst wenn der Rest brauchbar wirkt.

Das Sprachversagen ist kein isolierter Ausreißer. Über mehrere Aufgaben im inhaltlich nahen Schreib- und Dokumentationsbereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung. Das ist für ein Instruct-Modell ein deutliches Warnsignal.

Documentation Quality: sachlich brauchbar, aber sprachlich nicht sattelfest

Auch in der Dokumentation zeigt sich die Doppelbegabung dieses Modells. Einerseits ist es gut darin, Material lesbar zu ordnen, nüchtern zu formulieren und aus Rohinput brauchbare Fachsprache zu machen. Andererseits kippt die Disziplin genau dort, wo präzise Instruktionsbindung unverhandelbar wird.

In einer Aufgabe im Documentation-Quality-Bereich ignorierte das Modell die explizite Sprachanweisung und antwortete auf Englisch. Wieder gilt: Das ist kein Missverständnis des Fachinhalts, sondern ein Compliance-Problem. Für interne Wissensdatenbanken mag so etwas lästig sein. Für dokumentationspflichtige Umgebungen, in denen Sprache juristisch, organisatorisch oder prozessual feststeht, ist es schlicht ein Ausfall.

Auch hier griff ein automatischer Hard-Constraint-Abzug wegen Sprachverletzung. Gefordert war Deutsch, geliefert wurde Englisch. Solche Strafen hängen nicht am Geschmack eines Judges, sondern an einer einfachen Realität: Eine Dokumentation in der falschen Sprache ist im Betrieb oft wertlos, ganz gleich, ob sie inhaltlich vernünftig wäre.

Zusammen mit dem Befund aus dem Content-Bereich ergibt sich ein strukturelles Muster. Das Modell zeigt eine konsistente Schwäche bei der Sprachinstruktions-Compliance über zwei Tests hinweg. Das ist kein skurriler Einzelfall, sondern eine reale Risikozone für Teams, die auf definierte Ausgabesprachen angewiesen sind.

UX Writing und Cultural Intelligence: Stilgefühl ja, Präzision nur meistens

Das Fine-Tuning auf kreativeren, natürlicheren Stil ist keine bloße Modellkarten-Poesie. Im sprachlichen Feingefühl sieht man den Effekt. Im Bereich Cultural Intelligence etwa formuliert Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) flüssig, idiomatisch und professionell. Eine toxische Stellenausschreibung wird sauber entschärft, ohne in sterile HR-Kleistersprache zu kippen. Das Modell entfernt problematische Formulierungen zuverlässig und liefert einen brauchbaren, inklusiveren Ersatz.

Die Kritik des Judges ist dabei aufschlussreich. Das Modell ist nicht grob falsch, sondern stilistisch etwas zu vorsichtig. Wo die Referenz energische, motivierende Sprache wählt, bleibt die Antwort konventioneller und leicht korporativ. Genau darin liegt der Charakter dieses Fine-Tunes: natürlicher als viele Basismodelle, aber nicht automatisch mutiger in der konkreten rhetorischen Zuspitzung. Es schreibt gefällig. Es schreibt nicht immer mit jener Präzision, die starke Redaktion von bloß sauberer Umschreibung trennt.

Für UX Writing bedeutet das: brauchbare Entwürfe, gutes Sprachgefühl, aber nicht zuverlässig die letzte Nuance bei Tonalität, Zielgruppenansprache und Constraint-Schärfe. Der Wordsmith im Namen ist also nicht ganz Etikettenschwindel. Nur sollte man eher an einen talentierten Redigierer denken als an einen geborenen Copy-Chef.

Halluzinationen, Tooling und Gesamtverhalten

Positiv fällt auf, dass das Modell in den vorliegenden Protokollen keine nennenswerten Halluzinationen zeigt. Gerade im Code- und Security-Bereich ist das wichtig. Es erfindet eher nicht, als dass es mit großer Geste Unsinn nachschiebt. Das ist ein stiller Vorzug, der im Alltag mehr wert ist als ein paar glänzende Formulierungen.

Beim Tooling-Profil wirkt der Badge allerdings ehrlicher als der Name. „Tool Expert“ oder gar „DevOps Expert“ ist dieses Modell im Thinking-Lauf praktisch nicht. Die Benchmarks zeigen zwar einzelne vernünftige Strukturen und inhaltlich brauchbare Antworten, doch die Instabilität frisst den Nutzen auf. Ein Modell kann noch so gute Einzellösungen erzeugen. Wenn Retrys zur Grundhaltung werden, ist aus Assistenz schnell Aufsicht geworden.

Datenschutz und Datenhoheit

Für dieses lokal betriebene Open-Weights-Modell ist kein eigener Cloud-Datenschutzblock fällig. Relevant ist hier vor allem die Provenienz der Gewichte: Das berechnete Sovereign Risk liegt bei MEDIUM. Grund dafür ist nicht das lokale Deployment selbst, sondern der Herkunftsbaum der Gewichte. Die Basis stammt von Google DeepMind als US-Unternehmen, der Community-Fine-Tune und die anschließende NVFP4-Quantisierung kommen von einem Einzel-Contributor ohne dokumentierte Jurisdiktion. Dazu kommt die gezielte Abliteration der Sicherheitsleitplanken. Für europäische Unternehmen ist das weniger ein klassisches Datenschutzproblem als eine Frage von Lieferkette, Verantwortlichkeit und inhaltlicher Risikosteuerung.

Fazit

Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) ist ein interessantes, aber widersprüchliches lokales Modell. Als generalistisches Workstation-System mit dichter 30,7B-Architektur bringt es genug Substanz für ernsthafte Aufgaben mit. Im Thinking-Modus zeigt es nachvollziehbares Reasoning, im Schreiben spürbares Stilgefühl, in Security-Audits eine überraschend vernünftige Grundkompetenz. Über alle Tests hinweg keine nennenswerten Halluzinationen. Das ist die gute Nachricht.

Die schlechte Nachricht ist härter: Die Praxisstabilität ist desaströs. Timeouts und Tail-Latenz machen das Modell für unbeaufsichtigte Produktivabläufe faktisch unbrauchbar. Dazu kommen klare Schwächen bei Sprachinstruktionen. Zweimal Englisch statt gefordertem Deutsch ist kein folkloristischer Patzer, sondern ein echter Workflow-Killer. Wer mit festen Sprachvorgaben, Agentenketten oder automatisierten Dokumentationsstrecken arbeitet, bekommt hier kein Werkzeug, sondern eine Quelle für Nacharbeit.

Im direkten Vergleich der beiden vorliegenden Modi desselben Modells ist das Bild eindeutig. Der Standard-Lauf erzielt mit 73,67 % den leicht besseren Gesamteindruck und wirkt ausgewogener. Der hier besprochene Thinking-Lauf fällt auf 72,9 % zurück und verschlechtert vor allem Tempo und Verlässlichkeit, ohne beim Reasoning genug Mehrwert herauszuholen, um das zu rechtfertigen. Das ist der eigentliche Befund dieses Reviews: Mehr Denken hilft diesem Fine-Tune nicht genug. Es macht ihn nur noch schwerfälliger.

Empfehlung also mit klarer Kante: geeignet für betreute, lokale Einzelaufgaben mit Schwerpunkt auf kreativem Schreiben, Umarbeiten, ideengetriebener Textproduktion und gelegentlichem analytischem Einsatz. Nicht geeignet für zeitkritische Automatisierung, unbeaufsichtigte Agenten-Workflows oder sprachlich strikt regulierte Prozesse. Dieses Modell hat Talent. Es hat nur nicht die Nerven dafür, so zu tun, als wäre Talent schon Zuverlässigkeit.

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.