Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4)

Mit einem Gesamtscore von 73,67 Prozent zeigt Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) ein klares Profil: ein generalistisches Workstation-Modell mit dichter 30,7B-Architektur, das im Standard-Modus getestet wurde und damit bewusst ohne aktiviertes Thinking antreten musste. Der Speed Profile Badge Batch Tool Expert verrät den Charakter ziemlich präzise: kein Sprintmodell, sondern eines für längere, strukturierte Aufgaben mit ordentlicher Werkzeugnähe. Das Problem ist nur: Wer „Creative Wordsmith“ im Namen trägt und zugleich als reasoning-fähiger, uncensored Instruct-Ableger auftritt, weckt Erwartungen an Stil, Tiefe und Robustheit zugleich. Erfüllt werden davon nicht alle. Sovereign Risk: MEDIUM — die Gewichte stammen aus einer Google-DeepMind-Linie, wurden dann von einem Community-Einzelautor abliteriert und weiterverarbeitet; bei lokalem Betrieb ist das kein klassisches Datenschutzproblem, wohl aber eine Frage von Provenienz und Guardrail-Eingriffen.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Einordnung

Die Vorab-Klassifikation passt im Kern, aber mit wichtigen Fußnoten. Ja, das Modell gehört architektonisch in die Ecke Reasoning/Thinking. Nur lief dieser konkrete Benchmark eben im Standard-Modus, also ohne explizit aktiviertes Thinking. Das ist keine Entschuldigung und kein Makel, sondern der gewählte Betriebszustand. Entsprechend darf man hier keine ausufernden Denkprotokolle erwarten, sondern eher direkte Antworten mit internem Schlussfolgern. Genau so benimmt sich das Modell auch.

Als Generalist muss es sich an der vollen Aufgabenbreite messen lassen. Als Workstation-Modell darf man robuste Mittel- bis Oberklasse-Leistung erwarten, nicht bloß charmante Einzelmomente. Und als Dense-Modell zählen die 30,7 Milliarden Parameter voll. Hier gibt es keinen MoE-Trick, der die reale Kapazität kleiner rechnet. Anders gesagt: Dieses Modell ist kein Leichtgewicht mit Ausrede, sondern ein vollwertiger lokaler Brocken, der liefern muss.

Die Tags Uncensored und Instruct erzeugen eine interessante Spannung. Instruct-Modelle sind oft kurz, gehorsam und formatfest. Abliterierte uncensored-Derivate neigen dagegen gern zu Instabilität, stilistischem Eigensinn oder schlicht dazu, Sicherheitsgeländer aus dem Fenster zu werfen. Bei Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) sieht man beides. Die Instruktionsbefolgung ist meist ordentlich. Die Gesamtcharakteristik bleibt aber leicht rauer als beim Basismodell. Das ist kein Totalschaden. Es ist ein bewusst in Kauf genommener Umbau.

Geschwindigkeit und Effizienz

Das ist ein lokales Modell, evaluiert auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen). Der Badge Batch Tool Expert ist hier die entscheidende Abkürzung für den Leser: Das Modell fühlt sich eher nach Stapelverarbeitung als nach Zuruf an. Für Dokumente, Transformationen und strukturierte Prüfaufgaben passt das. Für interaktive Schleifen mit vielen kurzen Rückfragen eher weniger.

Im Fließtext muss man die Zahlen nicht nachbeten, der Charakter reicht: Die Generierung ist moderat bis eher träge, vor allem in den Ausreißern. Nicht jede Antwort kommt langsam, aber die Streuung ist zu hoch, um Vertrauen in einen flüssigen Echtzeitbetrieb zu erzeugen. Gerade weil dieses Modell reasoning-fähig ist, überrascht die gemessene Behäbigkeit im Standard-Modus nicht völlig. Schön ist sie trotzdem nicht.

Positiv ist die Token-Ökonomie. Kein Modul fällt durch übermäßige Wortproduktion auf. Im Gegenteil: Das Modell verhält sich token-ökonomisch, kein Modul übersteigt den erwarteten Verbosity-Rahmen. Das ist bei einem lokalen Modell mehr als Kosmetik. Weniger Text heißt hier in der Regel auch weniger Wartezeit. Nur rettet gute Diät keinen schlechten Kreislauf. Die Stabilitätsausreißer bleiben sichtbar.

Code Quality und Security: brauchbar, aber nicht gründlich genug

Im Code- und Security-Bereich schlägt sich Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) besser, als der Name vermuten lässt. Die Antwort im Audit war sauber strukturiert, auf Deutsch, mit korrekter Markdown-Tabelle und praktischen Fixes. Das Modell identifizierte zentrale Schwachstellen wie SQL Injection, Path Traversal, Session Fixation, IDOR, XSS und unsichere Cookies. Das ist keine Blendgranate, sondern echte Substanz.

Aber es ist eben auch unvollständig. Der Judge zählt 12 erkannte Schwachstellen, während der Referenzstandard 19 ansetzt. Besonders unerquicklich sind die Lücken nicht am Rand, sondern im Kern: fehlende CSRF-Protection, nicht erwähnte DB-Credentials mit Root-Kontext, ein Reset-Token ohne Ablaufzeit und der unsaubere Header-vor-Output-Bug bleiben liegen. Bei einer Aufgabe, die ausdrücklich nach allen Sicherheitslücken fragt, ist das mehr als ein Schönheitsfehler. Es ist der Unterschied zwischen „guter Erstprüfung“ und „belastbarem Audit“.

Die Qualität der Fixes ist ordentlich, aber die Analyse bleibt auf Junior-Senior-Grenze stehen. Praktisch formuliert: Das Modell erkennt viele Einzelprobleme, denkt sie aber zu selten als Angriffskette zusammen. Wer eine sichere Codebasis härten will, braucht genau diese Synthese. Sonst sieht man die losen Ziegel, aber nicht die offene Seitenwand.

Man sollte die Bewertung hier fair kalibrieren. Ein uncensored Creative-Fine-Tune ist nicht primär für Security-Reviews gebaut. Trotzdem ist die Leistung respektabel, gerade weil Format und Sprache stabil bleiben. Nur: Für echte AppSec-Arbeit reicht respektabel nicht. Das Modell taugt als Vorfilter, nicht als letzter Blick.

Reasoning und Logik: korrekt, aber ohne Glanz

Im Reasoning zeigt das Modell den klassischen Gemma-Unterbau: solide Logik, saubere Struktur, wenig theatrales Getöse. Das Rätsel mit den beiden Wächtern löst es korrekt, inklusive schrittweiser Verifikation beider Fälle. Inhaltlich sitzt das.

Was fehlt, ist die zweite Schicht. Der Judge moniert zu Recht, dass alternative Formulierungen, systematische Begründungsrahmen und didaktische Visualisierung kaum vorkommen. Das Modell löst die Aufgabe, erklärt sie verständlich und hört dann auf. Für den Standard-Modus eines Instruct-Modells ist das legitim. Für ein Modell mit den Metadaten Reasoning und Thinking bleibt ein Rest Enttäuschung.

Wichtig ist die Einordnung: Dieser Lauf fand nicht mit aktiviertem Thinking statt. Dass die Antwort daher kompakter und direkter ausfällt, ist erwartbar. Interessant wird der Vergleich mit dem Thinking-Lauf desselben Modells: Dort sinkt der Gesamtscore auf 72,9 Prozent, und der Charakter kippt stärker in Richtung Langsamkeit, ohne dass die inhaltliche Ausbeute entsprechend steigt. Das ist die ernüchternde Pointe. Mehr Denkmodus bringt hier nicht automatisch mehr Benchmark-Wert, sondern vor allem mehr Reibung.

Content Transformation: das stärkste Fach im Zeugnis

Wenn dieses Modell einen natürlichen Lebensraum im Benchmark hat, dann hier. Die Transformation eines Skripts ins Deutsche gelingt flüssig, idiomatisch und mit gutem Gespür für Tonalität, Produktionshinweise und Rhythmus. Der Judge lobt zu Recht die realistischen Timestamps, die spoken-word-taugliche Sprache und kleine idiomatische Signale wie „Zack!“ oder „tataaa“, die nicht nach Wörterbuch, sondern nach tatsächlicher Sprachverwendung klingen.

Entscheidend ist: Das Modell erfüllt die expliziten Anforderungen vollständig, ohne sich in Nebensachen zu verlieren. Gerade bei Aufgaben, die Sprache, Struktur und Zielmedium zugleich verlangen, zeigt sich hier der eigentliche Wert des Fine-Tunes. Dieses Modell schreibt nicht bloß um. Es adaptiert.

Ganz makellos ist es nicht. Die Analysephase bleibt oberflächlich, die Produktionstauglichkeit könnte mit stärker getrennten Codeblöcken und härterer Formatierung noch gewinnen. Aber das sind Mängel der Politur, nicht des Rohmaterials. In diesem Modul wirkt Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) am ehesten wie das Modell, das es sein will.

UX Writing, Dokumentation und kulturelle Intelligenz: freundlich, brauchbar, nicht überragend

Die Stärke im sprachlichen Umbau zieht sich teilweise weiter. Im Bereich Cultural Intelligence liefert das Modell inklusive, professionelle deutsche Umschreibungen und hält sich sauber an die Sprachanweisung. Besonders aufschlussreich ist ein Fall, in dem die Aufgabe nur den umgeschriebenen deutschen Text verlangte, während der Referenzstandard selbst mit Erklärungen arbeitete. Das Modell entschied sich für striktes Instruction-Following statt fürs Nachäffen des Referenzstils. Das ist ein gutes Zeichen. Wer produktiv mit Modellen arbeitet, weiß: Gehorsam gegenüber der Aufgabe ist wertvoller als dekorative Nebengeräusche.

Gleichzeitig bleibt die Leistung im sprachlichen Feinschliff unterhalb dessen, was der Name „Creative Wordsmith“ provoziert. UX Writing fällt nur mittelstark aus, Documentation Quality ebenfalls. Das Modell formuliert brauchbar, oft angenehm, gelegentlich natürlich. Aber es prägt selten. Es schreibt nicht schlecht. Es schreibt bloß nicht mit der Souveränität, die man von einem auf kreativen Stil getrimmten 31B-Fine-Tune hoffen darf.

Das ist vielleicht der eigentliche Charakterzug dieses Modells: Es ist besser im Umschreiben als im Setzen eines eigenen Tons. Wo eine bestehende Vorlage in ein neues Format, eine neue Sprache oder ein neues Medium überführt werden muss, funktioniert es. Wo völlig eigenständige Exzellenz in UX-Mikrotext oder Dokumentationsdramaturgie gefragt ist, bleibt ein leichter Grauschleier.

CLI und Tool-Nähe: ordentlich, aber nicht die große Bühne

Der Badge nennt es Tool Expert, und die Benchmark-Werte geben dem teilweise recht. Im CLI-Umfeld ist die Leistung brauchbar bis gut. Das Modell ist also keineswegs nur ein Sprachornament mit entferntem Technikbezug. Es kann strukturierte, tool-nahe Aufgaben erledigen und bleibt dabei im Rahmen.

Trotzdem sollte man die Etiketten nicht verwechseln. Dieses Modell ist kein DevOps-Messer für den Gürtel. Dafür fehlt es an Tempo, an letzter Präzision und an jener mechanischen Verlässlichkeit, die man bei Shell-Aufgaben und Agentenketten braucht. In einer einzelnen Session kann das gut aussehen. Im wiederholten Betrieb zählt jede Ausnahme doppelt.

Datenschutz und Datenhoheit

Ein eigener Datenschutz-Alarm ist hier nicht fällig, weil es sich nicht um einen Cloud- oder Commercial-API-Dienst handelt, sondern um lokale Open Weights. Relevant bleibt trotzdem die Datenhoheit über die Gewichte: Das berechnete Sovereign Risk liegt bei MEDIUM, nicht wegen laufender Datenabflüsse, sondern wegen der Provenienz. Die Basis kommt von Google DeepMind, der weitere Linienbaum führt über eine gezielte Abliteration und einen Community-Fine-Tune eines Einzel-Contributors ohne dokumentierte Jurisdiktion. Für europäische Unternehmen heißt das praktisch: Die Eingabedaten bleiben bei lokalem Betrieb unter eigener Kontrolle, aber die Vertrauensfrage verschiebt sich vom Provider zur Herkunft und Veränderung der Gewichte.

Fazit

Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) ist ein Modell mit erkennbarem Charakter, aber ohne vollständige Selbstbeherrschung. Als dichter Generalist in der Workstation-Klasse liefert es einen Gesamtscore von 73,67 Prozent und bewegt sich damit klar im brauchbaren Bereich. Seine besten Momente hat es dort, wo Sprache nicht nur korrekt, sondern angepasst sein muss: bei Content-Transformation, bei inklusiven Umschreibungen, bei Formatwechseln mit Tongefühl. Seine schwächeren Momente liegen dort, wo Vollständigkeit, Audit-Tiefe oder interaktive Verlässlichkeit zählen. Über alle Tests hinweg keine nennenswerten Halluzinationen — das Modell erfindet lieber wenig, als sich mit großem Schwung zu blamieren.

Der Abliterations-Hintergrund ist im Alltag kein abstrakter Metadatensatz, sondern spürbar. Das Modell wirkt freier, weniger verweigernd und stilistisch lockerer. Gleichzeitig fehlt ihm stellenweise die Disziplin des saubereren Basismodells. Dass die Standard-Variante am Ende sogar leicht besser abschneidet als der Thinking-Lauf desselben Modells, spricht Bände. Mehr innerer Denkmodus macht dieses Fine-Tune nicht automatisch klüger, sondern oft nur schwerfälliger.

Empfehlenswert ist Gemma 4 Ortenzya Creative Wordsmith 31B (NVFP4) für lokale Redaktionsarbeit, Textadaption, kreative Umschreibung und längere deutschsprachige Transformationsaufgaben, bei denen Freiheit erwünscht ist und ein Mensch die Endkontrolle übernimmt. Weniger empfehlenswert ist es für unbeaufsichtigte Agentenketten, sicherheitskritische Code-Reviews oder zeitkritische Interaktion. Die Weights-Provenienz bleibt dabei der relevante Souveränitätsfaktor: Apache-2.0-Basis von Google DeepMind, dann Community-Abliteration und Fine-Tuning durch einen Einzelautor. Technisch ist das reizvoll. Governance-seitig ist es nichts, was man blind in die Firmenzentrale tragen sollte.

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.