Bake-off ergaenzt: muse-glimmer:latest (Rang 5 von 6)

Nach User-Wunsch im selben Protokoll gemessen (35 Goldset-Fragen):
100% Zitier-Praezision bei nur 1 Regenerierung (diszipliniertestes
Modell), aber 8/35 falsche Verweigerungen (Ueberverweigerung teils trotz
vorhandener Zitate) und 37,5s mean - schlaegt qwen3.8:27b in keiner
Kennzahl. D7 unveraendert: qwen3.8:27b bleibt fixiert.

.agents/MEMORY.md

@@ -35,16 +35,21 @@ zu planen).
   einen eigenen, fast leeren Ollama auf localhost:11434 (dorthin ging der
   erste bge-m3-Pull — auf die GPU-Maschine neu gepullt). Ziel-Instanz ist
   ausschließlich `http://100.103.83.12:11435`.
-- **Bake-off M3 — abgeschlossen (D7)**: alle 5 Kandidaten gemessen
+- **Bake-off M3 — abgeschlossen (D7)**: alle 6 Kandidaten gemessen
   (Tabelle in `planung.md` Abschnitt 13). **`qwen3.8:27b` gewinnt**
   (100 % Zitier-Präzision, 94,3 % Verweigerung korrekt, 80,6 % erwartete
   Quelle, 32 s mean). `gemma4:26b` = dokumentierter Latenz-Kandidat
   (7,9 s mean, 100 % Zitier-Präzision, aber 67,7 % Quellentreue, 3
   Fehlverweigerungen). mistral-small3.1: 71,4 % Verweigerungskorrektheit
-  — Deutsch-Hypothese praktisch widerlegt. qwen3.6:27B: 2 dauerhafte
+  — Deutsch-Hypothese praktisch widerlegt. **muse-glimmer:latest**
-  Zitierverletzungen, 10 Regenerierungen. gemma4:12B: 2 Verletzungen.
+  (nachgereicht): 100 % Zitier-Präzision bei nur 1 Regenerierung
-  Reports: `data/eval-*.json`. q-008/q-031 verweigern beide Finalisten —
+  (diszipliniertestes Modell), aber 8/35 falsche Verweigerungen
-  Prompt-/Retrieval-Tuning (nicht modellspezifisch).
+  (Überverweigerung teils trotz vorhandener Zitate) und 37,5 s mean —
+  Rang 5 von 6, schlägt qwen3.8 in keiner Kennzahl. qwen3.6:27B: 2
+  dauerhafte Zitierverletzungen, 10 Regenerierungen. gemma4:12B:
+  2 Verletzungen.
+  Reports: `data/eval-*.json`. q-008/q-031 verweigern alle
+  Top-Kandidaten — Prompt-/Retrieval-Tuning (nicht modellspezifisch).
 - **Remote-GPU-Maschine**: nach `systemctl restart ollama` (User-Aktion)
   liefen alle Läufe stabil; zwischen Kandidaten wurde per `keep_alive: 0`
   entladen (Crash-Ursache war der Modell-Swap-Stress beim gemma4-Lauf).

agent/README.md

@@ -92,6 +92,7 @@ Post-Validierung abgefangen und regeneriert) · Verweigerung korrekt
 | gemma4:26b | 100 % | 91,4 % | 67,7 % | **7,9 s** / 12 s |
 | gemma4:12B | 94,3 % | 91,4 % | 77,4 % | 21 s / 40 s |
 | qwen3.6:27B | 94,3 % | 85,7 % | 80,6 % | 43 s / 89 s |
+| muse-glimmer:latest | 100 % | 77,1 % | 74,2 % | 37,5 s / 51 s |
 | mistral-small3.1:24b | 100 % | 71,4 % | 58,1 % | 20 s / 43 s |
 
 `gemma4:26b` bleibt als dokumentierter Latenz-Kandidat für späteres

planung.md

@@ -256,6 +256,7 @@ tests/            # pytest: Ingest-, Retrieval-, Grounding-Unit-Tests
   | gemma4:26b | 100 % | 91,4 % | 67,7 % | 7,9 s / 12 s | 4 |
   | gemma4:12B | 94,3 % | 91,4 % | 77,4 % | 21 s / 40 s | 8 |
   | qwen3.6:27B | 94,3 % | 85,7 % | 80,6 % | 43 s / 89 s | 10 |
+  | muse-glimmer:latest | 100 % | 77,1 % | 74,2 % | 37,5 s / 51 s | 1 |
   | mistral-small3.1:24b | 100 % | 71,4 % | 58,1 % | 20 s / 43 s | 2 |
 
   **Entscheidung (D7):** `qwen3.8:27b` ist das Antwortmodell (Protokoll:
@@ -264,7 +265,11 @@ tests/            # pytest: Ingest-, Retrieval-, Grounding-Unit-Tests
   geführt (4× schneller bei 100 % Zitier-Präzision, aber schwächere
   Quellentreue und 3 statt 2 Fehlverweigerungen). mistral-small3.1
   (Deutsch-Hypothese) ist praktisch widerlegt: 71,4 % Verweigerungs-
-  korrektheit. q-008 und q-031 verweigern beide Finalisten —
+  korrektheit. **muse-glimmer** (2026-09-14 nachgereicht): 100 %
+  Zitier-Präzision bei nur 1 Regenerierung (diszipliniertestes Modell),
+  aber 8/35 falsche Verweigerungen (Überverweigerung teils trotz
+  vorhandener Zitate) und 37,5 s mean — Rang 5 von 6, schlägt qwen3.8
+  in keiner Kennzahl. q-008 und q-031 verweigern alle Top-Kandidaten —
   Prompt-/Retrieval-Tuning-Thema, kein Modellthema.
 - **M4 offen:** Odoo-Integration (separater Plan nach Verifikation der
   Odoo-19-LLM-Module).