AI-Roundtable Ranking — ein Eintrag pro Benchmark-Lauf — Jura

Jura 10.09.2026: Claude Fable 5.1 (91)

2026-09-10T06:41:54.000Z

Jura: Claude Fable 5.1 91/100.

Im Bereich Jura widerspricht Claude Fable 5.1 (Score-Spitze) im Mittel in 0,0 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,7 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 100 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.5 mit Ø 0,6 pro Antwort. Auf die Antwortlänge bezogen: 0,60 pro 1000 Ausgabe-Tokens, am niedrigsten DeepSeek V4 Pro mit 0,11.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten

Jura 07.09.2026: Claude Opus 5 (90)

2026-09-07T18:18:39.000Z

Jura: Claude Opus 5 90/100.

Im Bereich Jura widerspricht Claude Opus 5 (Score-Spitze) im Mittel in 0,3 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,4 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 94 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.5 mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 0,47 pro 1000 Ausgabe-Tokens, am niedrigsten DeepSeek V4 Pro mit 0,13.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten

Jura 01.08.2026: Claude Opus 4.7 (84)

2026-08-01T05:54:40.000Z

Jura: Claude Opus 4.7 84/100.

Im Bereich Jura widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,7 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 80 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Claude Opus 4.8 mit Ø 0,7 pro Antwort. Auf die Antwortlänge bezogen: 1,03 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5.6 Sol mit 0,29.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten

Jura 19.07.2026: Claude Opus 4.7 (80)

2026-07-19T12:01:08.000Z

Jura: Claude Opus 4.7 80/100.

Im Bereich Jura widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,3 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,7 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 91 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.5 mit Ø 0,5 pro Antwort. Auf die Antwortlänge bezogen: 1,06 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5.6 Sol mit 0,29.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten

Jura 21.06.2026: Claude Opus 4.7 (82)

2026-06-21T14:39:14.000Z

Jura: Claude Opus 4.7 82/100.

Im Bereich Jura widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,6 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 71 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.3 mit Ø 0,6 pro Antwort. Auf die Antwortlänge bezogen: 0,98 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5.5 Pro mit 0,07.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten

Jura 29.05.2026: Claude Opus 4.7 (82)

2026-05-29T04:35:00.000Z

Jura: Claude Opus 4.7 82/100.

Im Bereich Jura widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,8 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 86 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 0,2 pro Antwort. Auf die Antwortlänge bezogen: 1,22 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,58.

Vollständiger Lauf mit Konfidenzintervallen, Diff zum Vorlauf und Roh-Daten