# Ionos LLM API: Quirks und Workarounds

**Stand:** 2026-05-03 (zweite Session, in Doctate umgesetzt) — empirisch
ermittelt gegen `https://openai.inference.de-txl.ionos.com/v1/chat/completions`.
Verhalten kann sich aendern; Datum oben mit dem aktuellen Test-Befund
abgleichen, bevor man auf diese Notizen baut.

## TL;DR

- Die **Marketing-Doku** unter `docs.ionos.com/cloud/ai/...` ist
  unvollstaendig. Die dort gezeigten Beispiele fuer Llama 3.1 405B FP8
  laufen in der Praxis in einen Gateway-Timeout, weil sie wesentliche
  Parameter weglassen.
- Die **echte aktuelle API-Spezifikation** liegt unter
  `https://api.ionos.com/docs/inference-openai/v1/`. Das ist eine
  Redoc-Seite mit eingebetteter OpenAPI-3.0.3-Spec — die einzige
  verlaessliche Quelle fuer unterstuetzte Parameter, Defaults und Limits.
- Llama 3.1 405B FP8 hat ein bekanntes **End-of-Turn-Termination-Problem**:
  in der Sandbox kam `<|eot_id|>` als ASCII-`assistant\n\n` zurueck, was
  Quelle der ersten Diagnose war. Aber das eigentliche Problem ist breiter
  und modell-inhaerent: Llama 3.1 verfaellt mit Greedy-Decoding und/oder
  konflikthaltigen Prompts in Endlos-Schleifen (bestaetigt von Ionos selbst,
  HuggingFace-Discussion #32, vLLM-Issues #13530, #13828).
- **Empfohlene Loesung fuer Doctate (Drei-Komponenten-Kombi):**
  `temperature: 0.6 + top_p: 0.9` (Sampling)  +  `response_format:
  json_schema` (Form-Garantie)  +  expliziter Format-Hinweis als zweite
  `system`-Message (sagt dem Modell WAS in `document` zu schreiben ist).
  Alle drei sind notwendig; jede einzelne weggelassen kippt in einen
  anderen Failure-Mode (Timeout, Endlos-Schleife, oder silent
  `{"document": ""}`).
- **Wichtig**: gpt-oss-120b braucht weder Sampling noch Format-Hinweis —
  es ist schema-aware trainiert und laeuft mit dem Default-Body sauber.
  Die Drei-Komponenten-Loesung ist Llama-spezifisch, nicht universell.

## So kommt man an die richtige API-Info

### Verfuegbare Modelle abfragen

Die Marketing-Doku listet Modelle, ist aber nicht immer synchron mit dem
Backend. Authoritative Liste:

```bash
curl -s -H "Authorization: Bearer $TOKEN" \
  https://openai.inference.de-txl.ionos.com/v1/models | jq .
```

Aktuell (2026-05-03) verfuegbar:

| Modell | Kategorie | Anmerkung |
|---|---|---|
| `meta-llama/Meta-Llama-3.1-8B-Instruct` | Chat | schnell, klein |
| `meta-llama/Meta-Llama-3.1-405B-Instruct-FP8` | Chat | siehe Quirks unten |
| `meta-llama/Llama-3.3-70B-Instruct` | Chat | stoppt sauber, <1s |
| `mistralai/Mistral-Nemo-Instruct-2407` | Chat | ungetestet |
| `mistralai/Mistral-Small-24B-Instruct` | Chat | siehe Doctate-Memory |
| `openai/gpt-oss-120b` | Reasoning | stoppt sauber, vorherige Doctate-Wahl |
| `BAAI/bge-m3`, `bge-large-en-v1.5` | Embedding | – |
| `sentence-transformers/paraphrase-multilingual-mpnet-base-v2` | Embedding | – |
| `meta-llama/CodeLlama-13b-Instruct-hf` | Code | – |
| `Qwen/Qwen3-Coder-Next` | Code | – |
| `lightonai/LightOnOCR-2-1B` | OCR | – |
| `black-forest-labs/FLUX.1-schnell` | Bild | – |

### Aktuelle OpenAPI-Spec extrahieren

Die Redoc-Seite rendert die Spec clientseitig — `openapi.json` ist nicht
unter einer stabilen URL erreichbar, sondern liegt eingebettet im HTML
als JavaScript-Variable `__redoc_state`. Extraktion mit Brace-Balancing,
weil ein Regex auf `</script>` zu viel mitnimmt:

```python
import json, re
import urllib.request

html = urllib.request.urlopen(
    "https://api.ionos.com/docs/inference-openai/v1/").read().decode()
start = html.find('{"menu":{"activeItemIdx":-1}')
depth, in_str, esc = 0, False, False
for i, c in enumerate(html[start:], start):
    if in_str:
        if esc: esc = False
        elif c == '\\': esc = True
        elif c == '"': in_str = False
    else:
        if c == '"': in_str = True
        elif c == '{': depth += 1
        elif c == '}':
            depth -= 1
            if depth == 0:
                end = i + 1; break

spec = json.loads(html[start:end])['spec']['data']
print(json.dumps(spec['paths']['/v1/chat/completions']['post'], indent=2))
```

### Parameter-Schema fuer `chat/completions` (Stand 2026-05-03)

Wichtige Defaults und Limits aus der Spec (Auszug, fett = abweichend von
OpenAI):

| Parameter | Typ | Default | Anmerkung |
|---|---|---|---|
| `model` | string | required | – |
| `messages` | array | required | – |
| `temperature` | number | **1** | – |
| `top_p` | number | **-1** | Sentinel fuer "deaktiviert" |
| `n` | int | 1 | – |
| `stream` | bool | false | – |
| `stop` | array | – | **max 4 Sequenzen** |
| `max_tokens` | int | **16** | **deprecated** zugunsten `max_completion_tokens` |
| `max_completion_tokens` | int | **16** | – |
| `presence_penalty` | number | 0 | – |
| `frequency_penalty` | number | 0 | – |
| `logit_bias` | object | – | Token-ID -> Bias |
| `response_format` | object | – | `text` / `json_object` / `json_schema` |
| `tools`, `tool_choice` | – | – | Function Calling |

**Nicht exposed** (wuerde es mit anderen vLLM-Backends geben):
`repetition_penalty`, `min_p`, `top_k`, `skip_special_tokens`,
`ignore_eos`, `stop_token_ids`. Wer diese vLLM-Backdoors braucht, ist
auf Ionos falsch.

### Warum die Marketing-Doku nicht reicht

`https://docs.ionos.com/cloud/ai/ai-model-hub/models/llms/meta-llama-3-1-405b`
zeigt das Beispiel:

```json
{ "model": "...405B-FP8", "messages": [...],
  "temperature": 0.7, "max_tokens": 100 }
```

Das funktioniert nur deshalb, weil `max_tokens: 100` zufaellig klein
genug ist, um vor Quirk B (siehe unten) zurueckzukommen. Sobald man
realistische Ausgabelaengen will (z.B. 2k+ Tokens fuer einen Arztbrief),
laeuft die Combo in den Gateway-Timeout, weil die Doku den Tokenizer-Bug
nicht erwaehnt und die Empfehlungen nicht praxistauglich validiert sind.

## Llama 3.1 405B FP8: Drei Quirks

### Quirk A — `<|eot_id|>` wird als ASCII geleakt

Das Llama-3.1-Chat-Template nutzt `<|eot_id|>` (End-of-Turn) als
Stop-Marker. Auf Ionos's vLLM-Deployment ist dieses Token nicht
korrekt im Tokenizer als Special-Token registriert. Folge: das Modell
emittiert es als die einzelnen ASCII-Zeichen `a s s i s t a n t \n \n`
und labert weiter. Beobachtbar an Outputs der Form:

```
Hallo! Wie kann ich helfen?assistant\n\n
Oder moechtest du einfach plaudern?assistant\n\n
Entschuldigung, ich habe mich wiederholt...assistant\n\n
```

Konsequenz: der `stop`-Parameter mit `["<|eot_id|>"]` greift nie, weil
diese String-Sequenz nicht im Output auftaucht. Workarounds:

| Workaround | Funktioniert | Sauber? |
|---|---|---|
| `stop: ["assistant"]` zusaetzlich | ja, 0.79 s fuer "Sag hallo." | unsauber, Provider-Bug-Patch |
| System-Prompt instruiert eigenen End-Marker, `stop` matcht ihn | ja, 0.89 s | mittel, Instruction-Drift moeglich |
| `response_format: json_schema` | ja, 0.84 s | sauber, offizielles Feature |

### Quirk B — Ohne `max_tokens` laeuft das Modell bis Context-Ceiling

Da das Modell selbst keinen Stop-Token emittiert (Quirk A) und
`max_tokens` Default = 16 nur theoretisch greift, generiert FP8-405B
auf vielen Pfaden bis zum Kontext-Limit (128k Tokens) weiter. Bei
~20 tok/s Generierungsrate sind das ~107 Minuten — laenger als jeder
Gateway-Timeout. Beobachtung: HTTP 504 "stream timeout" nach ~3
Minuten, oder schon `HTTP 000` clientseitig.

Konsequenz: **immer** `max_tokens` (oder `max_completion_tokens`)
explizit setzen. Realistische Werte fuer Doctate-Arztbriefe: 2048-4096.

### Quirk C — Generierungsrate ~20-23 tok/s

Empirisch ueber 6 Runs ermittelt (siehe Tabelle unten). Das ist deutlich
langsamer als `Llama-3.3-70B-Instruct` (~1 s fuer 10 Tokens) und
`gpt-oss-120b` (~0.5 s fuer 10 Tokens) auf demselben Endpoint.
Konsequenz: praktischer Hardlimit bei ~3000 Output-Tokens, sonst
Gateway-Timeout.

### Empirische Datentabelle

#### Session 1 (Diagnose, Sandbox-Inputs)

Alle Tests mit `meta-llama/Meta-Llama-3.1-405B-Instruct-FP8`,
Input `"Sag hallo."` (ausser T22 = realer Doctate-Body, ~1.5k Prompt-Tokens):

| Test | Parameter | Ergebnis | Tok/s |
|---|---|---|---|
| T1 | `temp=0`, `max_tokens=8192` | Timeout 25 s | – |
| T3 | `temp=0`, `max_tokens=100` | 5.1 s, finish=length, 100 Tokens | 19.6 |
| T8 | `temp=0`, `max_tokens=500` | 23 s, finish=length, 500 Tokens | 21.7 |
| T9 | `temp=0`, `max_tokens=1500` | 114 s, finish=length, 1500 Tokens | 13.2 |
| T10 | `temp=0`, `max_tokens=3000` | 183 s, finish=length, 3000 Tokens | 16.4 |
| T11 | `temp=0`, `max_tokens=4500` | Gateway-Timeout (curl 200 s) | – |
| T17 | Doku-Combo + `stop:["...","assistant"]` | **0.79 s, finish=stop, 11 Tokens** | – |
| T19 | Doku-Combo + System-Marker `<|12345|>` | **0.89 s, finish=stop, 14 Tokens** | – |
| T21 | `response_format: json_schema` (nur `document:string`) | **0.84 s, finish=stop, 8 Tokens** | – |
| T22 | T21 + realer Doctate-Body (1539 Prompt-Tokens) | **22.77 s, finish=stop, 482 Tokens** | 22.7 |

Konsistenz: **`finish_reason: "length"` heisst Modell wollte
weiter** — kein sauberer Stop.

#### Session 2 (Reproduktion gegen Production-Pipeline, 30 s Timeout)

Alle Tests gegen den realen Doctate-Body von Case `aecf5890` (236
char user_content, ~1040-1115 Prompt-Tokens). Skripte unter
`/tmp/doctate-llama-test/run{1..6}.py`. Production-`LLAMA_SYSTEM_PROMPT`
verbatim (2819 chars).

| Test | Sampling | json_schema | Format-Hinweis | Wallclock | finish | Output |
|---|---|---|---|---|---|---|
| T1 | nein (`temp=0.5`) | ja | nein | **30 s Timeout** | – | nichts geliefert |
| T2 | nein (`temp=0.5`) | ja | im Prompt inline | 3.26 s | stop | sauber, 61 Tokens |
| T3 | ja (`0.6 + 0.9 + freq=0.1 + stop`) | nein (Ionos-Doku verbatim) | nein | **30 s Timeout** | – | nichts geliefert |
| T4 | ja (`0.6 + 0.9`) | ja | nein | 0.98 s | stop | **`{"document":""}` (silent deletion)** |
| T5 | ja (`0.6 + 0.9`) | ja | im Prompt inline | 3× ⌀ 3.05 s | stop | sauber, 61 Tokens, 3× stabil |
| T6 | ja (`0.6 + 0.9`) | ja | als zweite `system`-Message | 3× ⌀ 3.13 s | stop | sauber, 61 Tokens, 3× stabil — **Production-Konfig** |

**Wichtige Befunde aus Session 2:**

1. **json_schema allein reicht nicht (T1)**: Production-Pfad mit
   `temperature: 0.5` ohne `top_p` timeoutet, weil Llama Schema-Resampling
   als Endlos-Schleife verkraftet.
2. **Sampling allein reicht nicht (T3)**: Selbst die exakte Ionos-Doku-
   Empfehlung mit `stop: ["<|eot_id|>", "<|end_of_text|>"]` timeoutet
   gegen unseren 2.8k-Char-Prompt. Die Doku-Empfehlung ist fuer kuerzere
   Prompts validiert.
3. **Sampling + Schema ohne Hinweis kippt in silent deletion (T4)**:
   Modell respektiert die Form, weiss aber inhaltlich nicht was tun.
   `{"document": ""}` waere fuer Doctate als leere Notiz im UI gelandet
   — gefaehrlicher als Timeout, weil der Worker `remove_failure_marker`
   aufruft. **Worker.rs hat seither einen Empty-Guard.**
4. **Drei-Komponenten-Kombi laeuft 3x stabil (T5, T6)**: Sampling +
   Schema + Format-Hinweis. T6 (separate `system`-Message) ist
   architektonisch sauberer und gewaehlt fuer die Doctate-Implementation.

## Loesungswege im Vergleich

| Loesung | Speed | Sauber | Modell-agnostisch | Kommentar |
|---|---|---|---|---|
| `stop: ["assistant"]` | sehr schnell | nein | nein | Patch fuer Provider-Bug; bricht im englischen Text |
| Eigener End-Marker via System-Prompt | sehr schnell | mittel | ja | Modell kann Marker bei langem Output vergessen |
| `response_format: json_schema` allein | – | nein | nein | **In Production NICHT ausreichend** (T1, T4) — kippt entweder in Timeout oder silent deletion |
| **Drei-Komponenten-Kombi** (Sampling + Schema + Format-Hinweis) | schnell (3 s) | ja | – | **In Doctate umgesetzt fuer Llama** (T5, T6) |
| Modellwechsel auf `gpt-oss-120b` / `Llama-3.3-70B` | sehr schnell | ja | – | Schema-aware, brauchen die Drei-Komponenten-Kombi nicht |

**Empfehlung pro Modell-Familie:**
- Schema-aware Modelle (gpt-oss-120b, vermutlich Llama 3.3 70B):
  `temperature: 0.5 + response_format: json_schema`. Body bleibt klein
  und stabil.
- Llama 3.1 405B FP8: nur als **Drei-Komponenten-Kombi** brauchbar —
  `temperature: 0.6 + top_p: 0.9 + response_format: json_schema +
  expliziter Format-Hinweis als zweite system-Message`. Wer eine
  Komponente weglaesst, faengt sich Timeout (T1, T3) oder silent
  deletion (T4) ein.

## Doctate-Implementation (`server/src/analyze/backend.rs`)

Die Drei-Komponenten-Kombi lebt als Per-Backend-Konfiguration:

```rust
const LLAMA_TEMPERATURE: f32 = 0.6;
const LLAMA_TOP_P: f32 = 0.9;
const LLAMA_FORMAT_INSTRUCTION: &str = "AUSGABEFORMAT: ...";

ionos_backend("llama_3_1_405b", "Llama 3.1 405B", "...405B-Instruct-FP8")
    .with_system_prompt(LLAMA_SYSTEM_PROMPT)
    .with_temperature(LLAMA_TEMPERATURE)
    .with_top_p(LLAMA_TOP_P)
    .with_format_instruction(LLAMA_FORMAT_INSTRUCTION),
```

`chat_once` injiziert `format_instruction` als zweite `system`-Message
zwischen `system_prompt` und `user`-Content, falls `Some`. Backends
ohne `format_instruction` (gpt-oss) erzeugen den exakten Body wie vor
dem Llama-Fix — byte-stabil, gepinnt durch
`gpt_oss_has_no_format_instruction_and_no_top_p`-Test.

`worker.rs` hat einen **Empty-Guard** nach `vocab.replace`: leere
`document`-Strings (Failure-Mode T4) loesen einen Failure-Marker statt
einer leeren `document.md` aus.

## Entscheidungsbaum

```mermaid
graph TD
    A[Neuer Backend-Profil-Eintrag in backend.rs] --> B{Modell?}
    B -->|gpt-oss-120b<br/>schema-aware| C[Default: temp 0.5,<br/>use_json_schema=true,<br/>kein top_p, keine format_instruction]
    B -->|Llama 3.1 405B FP8| D[Drei-Komponenten-Kombi:<br/>temp 0.6 + top_p 0.9 + schema<br/>+ format_instruction]
    B -->|Llama 3.3 70B<br/>noch nicht getestet| E[Erst gegen Doctate-Body testen,<br/>vermutlich wie gpt-oss]
    B -->|Anderes neues Modell| F{Schema-aware trainiert?}
    F -->|Ja| C
    F -->|Nein| D
    C --> G[Body byte-stabil zu pre-Llama-Fix]
    D --> H[Worker-Empty-Guard schuetzt vor silent deletion]
    E --> G
```

## Quellen und Verweise

- API-Endpoint: `https://openai.inference.de-txl.ionos.com/v1/chat/completions`
- Authoritative API-Doku (Redoc):
  `https://api.ionos.com/docs/inference-openai/v1/`
- Marketing-Doku (oft veraltet, mit Vorsicht geniessen):
  `https://docs.ionos.com/cloud/ai/ai-model-hub`
- vLLM-Tokenizer-Hintergrund (warum `<|eot_id|>` als ASCII leakt):
  Llama-3.1-Chat-Template + `add_special_tokens=False`-Detokenization-Pfad.
- Verwandte Doctate-Memories: `project_canary_ollama_vram_conflict`,
  `project_mistral_24b_silent_deletion`,
  `feedback_no_inline_llm_in_handlers`.

## Wartungshinweis

Diese Datei dokumentiert Verhalten zu einem Zeitpunkt. Bevor man bei
einem neuen Bug auf diese Workarounds setzt, immer zuerst pruefen, ob:

1. Die Modellliste sich geaendert hat (`/v1/models`).
2. `<|eot_id|>` mittlerweile im Output sauber als Token statt als
   `assistant\n\n` ankommt — dann ist Quirk A behoben und die
   String-Hacks koennen weg.
3. Die OpenAPI-Spec neue/geaenderte Parameter zeigt.
4. Die Drei-Komponenten-Kombi fuer Llama 3.1 weiterhin noetig ist:
   schnellster Check ist, das `format_instruction`-Feld testweise auf
   `None` zu setzen und einen Doctate-Case neu zu triggern. Wenn der
   Output sauber kommt, kann der Format-Hinweis weg. Wenn er
   `{"document":""}` ist, gilt diese Doku noch.

Datum oben aktualisieren, wenn man verifiziert hat, dass diese
Dokumentation noch dem realen Backend-Verhalten entspricht.