diff --git a/README.md b/README.md
index f6db462..b96d0e8 100644
--- a/README.md
+++ b/README.md
@@ -50,12 +50,22 @@ Die Arbeit entstand im Kontext eines laufenden Forschungsprojekts unter der Betr
 
 | Modell             | Accuracy | Precision | Recall | F1-Score |
 |-------------------|----------|-----------|--------|----------|
-| GPT-4             | 0.83     | 0.81      | 0.85   | 0.83     |
-| Gemma 2           | 0.68     | 0.62      | 0.75   | 0.68     |
-| Llama 3.1         | 0.74     | 0.71      | 0.77   | 0.74     |
-| ClimateBERT-NetZero | 0.79   | 0.76      | 0.80   | 0.78     |
+| GPT-4             | 0.89     | 0.30      | 0.74   | 0.43     |
+| Gemma 2           | 0.92     | 0.00      | 0.00   | 0.00     |
+| Llama 3.1         | 0.84     | 0.22      | 0.69   | 0.33     |
+| ClimateBERT-NetZero | --   | --      | --   | --     |
 
- **Promptanpassungen führten bei Gemma und Llama zu bis zu +12% F1-Verbesserung** gegenüber Originalprompten.
+### Interpretation:
+
+- **GPT-4** zeigte die **beste Recall-Leistung** (0.74) und insgesamt eine solide Klassifikationsqualität, auch wenn die Präzision moderat ausfiel – ein typisches Merkmal für generalisierte Modelle bei unscharfen Klassifikationsaufgaben.
+
+- **Gemma 2** erreichte zwar eine hohe Accuracy (0.92), scheiterte jedoch vollständig an der semantischen Erkennung der Zielklasse (Precision/Recall/F1 = 0.00). Dies unterstreicht, dass **Accuracy allein als Metrik irreführend sein kann**.
+
+- **Llama 3.1** schnitt besser ab als Gemma 2 und konnte mit einem Recall von 0.69 relevante Artikel häufiger korrekt erkennen – jedoch mit geringer Präzision.
+
+- **ClimateBERT-NetZero** wurde nicht in die metrische Vergleichstabelle aufgenommen, da es **ausschließlich zur kontextbasierten Vorauswahl relevanter Artikel diente** und **keine Promptanpassung** oder Vergleichbarkeit mit den anderen Modellen möglich war.
+
+- Ein wesentlicher praktischer Befund dieser Arbeit ist, dass **die Laufzeit des Klassifikationsprozesses bei Gemma 2 und Llama 3.1 ohne angepasste Prompts um den Faktor 1,5 höher lag**. Grund dafür war, dass die Modelle ohne gezielte Prompt-Instruktion häufig ganze generative Textausgaben anstelle der erwarteten **binären Klassifikationen („yes“ / „no“)** zurücklieferten. Erst durch die Einbettung von vier präzisen Klassifikationsbeispielen im Prompt gelang eine stabile Ausgabeform, die zugleich die **semantische Kontexttreue und Modellpräzision erheblich verbesserte**. Besonders deutlich zeigte sich dies bei Gemma 2, das ohne diese Anpassung keinerlei verwertbare Klassifikationsergebnisse lieferte.
 
 ## Zielgruppen & Anwendungsfälle