SOUTH.BYTE
AI Governance & IT-Beratung

LLM- & Guardrail-Evaluationen

LLM-, Guardrail- und Vision-Evaluationen auf dem NVIDIA DGX Spark (GB10). Modell- und Guard-Namen sind anklickbar — Fall für Fall mit Prompt, Antwort und Judge. Rohdaten bleiben lokal. Vom Sicherheits-Playbook (04) erscheinen hier keine Fälle; seine Scores stehen ohne Prompt und Antwort in der Testfall-Matrix.

LLM — Lokale Modelle (DGX Spark)

Auf dem GB10 selbst serviert (vLLM), Judge-bewertet. Vollständiges Kohorten-Roster — jedes geplante Modell mit Status, nicht nur die bestandenen. 45 Modelle (✅ gültig 45). Gültige Modelle anklicken → Detail (Prompt, Antwort, Judge je Fall). Sicherheit (04) ausgeschlossen.

ModellReleaseGesamtK.O.QualitätDeutschBiasCodeTok/sTTFTLizenz
Nemotron-3.5-Super-VL-120B-MTP ↗2026-1091% PASS290%100%100%80%38.3286 msopenmdw-1.1
Muse-Glimmer-30B-NVFP4 ↗2026-0886% PASS382%100%78%90%12.491 msapache-2.0
Nemotron-3.5-Super-VL-120B ↗2026-1086% PASS287%75%89%70%19.1127 msopenmdw-1.1
Muse-Glimmer-30B ↗2026-0883% PASS477%100%89%90%4.2254 msapache-2.0
Muse-Glimmer-30B-NVFP4-DFlash ↗2026-0879% PASS471%100%89%90%30.9247 msapache-2.0
Kolibri-1-NVFP4-32k ↗2026-1078% PASS773%50%100%80%32.063 msapache-2.0
Gemma-4-26B-A4B ↗2026-0377% K.O.869%100%89%90%23.092 msapache-2.0
Gemma-4-31B ↗2026-0377% PASS771%75%89%80%3.8397 msapache-2.0
Nemotron-3-Super-MTPv2 ↗2026-0377% K.O.1373%100%89%80%24.7458 msnvidia-nemotron-open-model-license
Ornith-1.0-35B-FP8 ↗2026-0677% PASS1166%100%100%80%30.8105 msmit
Ornith-1.5-122B-NVFP4 ↗2026-1077% PASS968%75%100%90%19.1196 msmit
Nemotron-3-Super ↗2026-0374% WARN569%75%89%80%15.9247 msnvidia-nemotron-open-model-license
Qwen3.8-27B-NVFP4-MTP ↗2026-0874% WARN1365%100%89%90%22.6283 msapache-2.0
Qwen3.8-27B-FP8 ↗2026-0873% WARN871%50%78%70%7.9181 msapache-2.0
Qwen3.8-27B-NVFP4 ↗2026-0873% WARN1069%50%89%70%11.3132 msapache-2.0
Hy-MT2-30B-A3B-FP8 ↗2026-0571% K.O.969%100%89%50%22.3102 msapache-2.0
Qwen3.8-27B-Uncensored-NVFP4 ↗2026-0868% K.O.1566%25%100%80%10.1140 msapache-2.0
Nemotron-3.5-Bolt-E4B-DFlash ↗2026-1067% WARN563%25%89%50%70.495 msopenmdw-1.1
Nemotron-3.5-Lightning-30B-A3B ↗2026-0867% K.O.1058%50%100%80%80.368 msopenmdw-1.1
Nemotron-3.5-Bolt-E4B ↗2026-1066% WARN665%25%100%40%19.459 msopenmdw-1.1
Ornith-1.5-35B-A3B-NVFP4 ↗2026-0866% K.O.1458%75%78%70%28.5102 msmit
Qwen3.6-27B-FP8 ↗2026-0464% WARN1263%0%100%30%7.5242 msapache-2.0
Gemma-4-E4B ↗2026-0363% WARN856%50%89%50%19.758 msapache-2.0
Laguna-S-2.1-NVFP4 ↗2026-0763% K.O.1558%0%78%80%17.2163 msopenmdw-1.1
LFM2.5-8B-A1B ↗2026-0563% WARN760%0%89%60%55.951 mslfm1.0
Apertus-v1.5-8B ↗2026-0762% K.O.1058%50%100%30%14.283 msapache-2.0
LFM3-1.7B-NVFP4 ↗2026-1062% K.O.660%25%89%60%87.023 mslfm1.0
Apertus-v1.5-70B ↗2026-0761% K.O.1158%50%78%40%3.1623 msapache-2.0
Granite-4.2-8B-NVFP4 ↗2026-0861% K.O.1355%0%100%90%38.437 msapache-2.0
Nemotron-3-Nano-30B ↗2025-1261% K.O.1753%25%89%80%42.3128 msnvidia-nemotron-open-model-license
Nemotron-Puzzle-75B ↗2026-0661% K.O.1255%0%100%60%20.8131 msopenmdw-1.1
Granite-4.1-30B ↗2026-0459% K.O.1755%25%100%60%3.9281 msapache-2.0
Granite-4.2-30B-NVFP4 ↗2026-0859% K.O.1350%0%100%70%12.991 msapache-2.0
Granite-Switch-4.1-30B ↗2026-1058% K.O.1852%25%100%60%3.3285 msapache-2.0
Qwen3.6-35B-A3B-FP8 ↗2026-0458% FAIL1255%0%100%30%17.9154 msapache-2.0
Granite-4.2-3B-NVFP4 ↗2026-0857% FAIL453%0%89%50%80.122 msapache-2.0
Mistral-Small-4 ↗2026-0356% K.O.2050%75%78%60%31.494 msapache-2.0
Laguna-XS-2.1-FP8 ↗2026-0654% K.O.1942%0%89%80%37.465 msopenmdw-1.1
Olmo-3.1-32B-Instruct ↗2025-1253% K.O.1842%0%100%60%3.7342 msapache-2.0
Ornith-1.0-9B ↗2026-0651% K.O.1439%25%78%70%12.3118 msmit
LFM3-Omni-2B ↗2026-1050% K.O.1445%0%100%20%53.328 mslfm1.0
Granite-Switch-4.1-8B ↗2026-1049% K.O.2137%25%89%50%12.693 msapache-2.0
Mellum2-12B-A2.5B-Thinking ↗2026-0549% K.O.2139%0%89%70%42.965 msapache-2.0
Mellum2-12B-A2.5B-Instruct ↗2026-0543% K.O.2732%25%78%60%43.568 msapache-2.0
Apertus-v1.1-4B ↗2026-0531% K.O.2721%25%89%10%27.642 msapache-2.0

LLM — SaaS-Referenzkohorte

Frontier-Modelle über LiteLLM als Referenzrahmen — ein Endpoint für Cloud- und lokale Modelle, von SouthByte empfohlen. Gleicher Testsatz, Judge claude-sonnet-5. Tok/s & TTFT messen hier Cloud+Netz (nicht lokale Hardware). 28 Modelle · Pass-Rate je Playbook. Modellname anklicken → Detail (Prompt, Antwort, Judge je Fall). Sicherheit (04) ausgeschlossen.

ModellReleaseGesamtK.O.QualitätDeutschBiasCodeTok/sTTFTLizenz
Grok-4.6 ↗2026-0893% PASS195%100%89%90%18.3715 msxAI · proprietär (API)
Claude-Sonnet-5 ↗2026-0691% PASS192%100%78%90%98.41202 msAnthropic · proprietär (API)
Grok-4.5 ↗2026-0790% PASS789%100%78%100%43.0739 msxAI · proprietär (API)
Claude-Fable-5 ↗2026-0688% PASS092%100%89%60%76.72560 msAnthropic · proprietär (API)
Grok-4.1-Fast ↗2025-1188% PASS387%100%89%90%101.2676 msxAI · proprietär (API)
GPT-5.6-sol ↗2026-0787% PASS682%100%100%100%54.91508 msOpenAI · proprietär (API)
GPT-5.6-terra ↗2026-0785% PASS779%100%100%100%81.5738 msOpenAI · proprietär (API)
GPT-5.6-luna ↗2026-0783% PASS779%75%89%100%143.71007 msOpenAI · proprietär (API)
Claude-Opus-5 ↗2026-0781% PASS079%100%78%90%125.42921 msAnthropic · proprietär (API)
Kimi-K3 ↗2026-0780% PASS277%100%78%90%43.01517 msproprietär (API)
MiMo-v2.5-Pro ↗2026-0478% PASS674%75%89%90%48.81572 msproprietär (API)
Qwen3.7-Plus2026-0678% PASS1373%100%89%90%59.4689 msproprietär (API)
Gemini-3.1-Pro ↗2026-0276% PASS971%100%78%90%——Google · proprietär (API)
GLM-5.2 ↗2026-0674% WARN1369%100%78%90%102.0805 msproprietär (API)
MiniMax-M3 ↗2026-0674% WARN871%100%67%90%157.91346 msproprietär (API)
Nemotron-3-Ultra-550B ↗2026-0673% K.O.1568%100%78%90%23.51208 msproprietär (API)
DeepSeek-V4-Pro ↗2026-0472% K.O.1466%100%78%90%42.72090 msproprietär (API)
Gemini-3.5-Flash-Lite ↗2026-0772% K.O.1566%100%78%90%311.9466 msGoogle · proprietär (API)
Gemini-3.6-Flash ↗2026-0772% K.O.1566%100%67%100%——Google · proprietär (API)
Hunyuan-32026-0769% K.O.1563%100%67%90%61.91518 msproprietär (API)
MiMo-v2.5 ↗2026-0467% K.O.1463%75%78%80%95.31019 msproprietär (API)
Qwen3.8-Max2026-0867% WARN766%50%89%60%47.4998 msproprietär (API)
Claude-Haiku-4.5 ↗2025-1066% WARN865%50%78%70%115.7620 msAnthropic · proprietär (API)
Magistral-Medium ↗2025-0957% K.O.2350%100%67%70%127.3240 msMistral · proprietär (API)
Mistral-Large ↗2025-1257% K.O.2350%100%78%60%56.0337 msMistral · proprietär (API)
Mistral-Medium ↗2026-0456% K.O.2247%75%78%80%65.5249 msMistral · proprietär (API)
Step-3.7-Flash ↗2026-0549% K.O.2244%50%78%50%122.41748 msproprietär (API)
Ministral-8B ↗2024-1038% K.O.2831%0%78%60%137.5180 msMistral · proprietär (API)

Guardrails (Playbook 08)

Guard-Name anklicken → Fall für Fall (Wahrheit vs. Vorhersage). Kein Judge — das Label ist die Wahrheit.

GuardReleaseRecallFPRTrap-FPRPräz.F1AccLat øLizenz
Granite-Switch-30B2026-101.0000.0000.0001.0001.0001.0002498.900apache-2.0
Granite-Guardian2026-040.9740.0230.0420.9740.9740.9761044.900apache-2.0
Granite-Switch-8B2026-101.0000.0230.0420.9740.9870.988681.400apache-2.0
Nemotron-32026-031.0000.0450.0830.9500.9740.976493.200nvidia-nemotron-open-model-license
Nemotron-3.52026-051.0000.0450.0830.9500.9740.976562.900openmdw-license-agreement
Qwen3Guard-Gen-0.6B2025-091.0000.0000.0001.0001.0001.00090.900apache-2.0
Qwen3Guard-Gen-4B2025-091.0000.0000.0001.0001.0001.000481.000apache-2.0
Qwen3Guard-Gen-8B2025-091.0000.0000.0001.0001.0001.000803.700apache-2.0
Qwen3Guard-Stream-0.6B2025-091.0000.0450.0000.9500.9740.976109.200apache-2.0
Qwen3Guard-Stream-4B2025-091.0000.0230.0420.9740.9870.988412.800apache-2.0
Qwen3Guard-Stream-8B2025-091.0000.0000.0001.0001.0001.000736.000apache-2.0
gpt-oss-safeguard2025-091.0000.0000.0001.0001.0001.0001566.800apache-2.0
Shieldstral2026-071.0000.0230.0420.9740.9870.98844.300apache-2.0
SingGuard-2b2026-051.0000.0230.0420.9740.9870.988282.100apache-2.0

Außer Konkurrenz

Entscheidungsmodelle nach dem Muster von Jev, keine Guards: sie beantworten die Policy als Ja/Nein-Frage mit einer Wahrscheinlichkeit (Schwelle 0,5), dieselben Kriterien und Fälle wie oben. Nicht im Vergleich der besten Werte.

GuardReleaseRecallFPRTrap-FPRPräz.F1AccLat øLizenz
laya-multilingual2026-090.4470.1360.1670.7390.5570.67146.000apache-2.0

Vision — echte Bilder lesen und verstehen (Playbook 09)

Modellname anklicken → Fall für Fall mit Quelle, Wahrheit, Antwort und markierten Abweichungen. CER = Median der normalisierten Zeichenfehlerrate je Schriftlage, kleiner ist besser; Handschrift ohne Bestehensgrenze. Kein Judge, eigene Kohorte, nicht Teil der LLM-Wertung.

ModellArtReleaseCER FrakturCER KurrentCER Frühnhd.CER LateinBildfragenFallenK.O.Lizenz
Qwen3.8-27B-RadixArkVL2026-080.0110.5000.2220.5488/86/60apache-2.0
Qwen3.8-27B-UncensoredVL2026-080.0130.4940.2230.6608/86/60apache-2.0
Nemotron-3.5-Super-VL-120BVL2026-100.0350.6570.3370.8528/86/60openmdw-1.1
LFM3-VL-2BVL2026-100.0420.6220.4320.6458/85/60lfm1.0
Muse-Glimmer-30B-NVFP4VL2026-080.0130.7840.4680.7818/86/60apache-2.0
Ornith-1.5-122BVL2026-100.0080.5500.5110.6248/85/61mit
Gemma-4-E4BVL2026-030.0260.5600.5110.5392/84/60apache-2.0
Nemotron-3.5-Bolt-E4BVL2026-100.0250.5930.5180.5232/86/60openmdw-1.1
LFM3-Omni-2BVL2026-100.0480.6080.5380.6371/85/60lfm1.0
Nemotron-3.5-ParseOCR2026-090.0860.5200.2780.596——0openmdw-1.1
Unlimited-OCR-2OCR2026-100.0210.7880.4120.765——0mit
Unlimited-OCROCR2026-060.2600.8711.7621.000——0mit
granite-docling-258MOCR2025-050.3291.0003.5647.105——0apache-2.0