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

Medizin 10.09.2026: Claude Opus 5 (92)

2026-09-10T06:41:54.000Z

Medizin: Claude Opus 5 92/100.

Im Bereich Medizin widerspricht Claude Opus 5 (Score-Spitze) im Mittel in 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,9 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 100 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 3.1 Pro mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 0,65 pro 1000 Ausgabe-Tokens, am niedrigsten DeepSeek V4 Pro mit 0,24.

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

Medizin 07.09.2026: Claude Fable 5.1 (90)

2026-09-07T18:18:39.000Z

Medizin: Claude Fable 5.1 90/100.

Im Bereich Medizin widerspricht Claude Fable 5.1 (Score-Spitze) im Mittel in 0,3 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,9 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 0,2 pro Antwort. Auf die Antwortlänge bezogen: 0,52 pro 1000 Ausgabe-Tokens, am niedrigsten GLM-5.3 mit 0,20.

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

Medizin 01.08.2026: Claude Opus 4.7 (87)

2026-08-01T05:54:40.000Z

Medizin: Claude Opus 4.7 87/100.

Im Bereich Medizin widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,5 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,7 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 90 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat GLM-4.6 mit Ø 0,2 pro Antwort. Auf die Antwortlänge bezogen: 1,07 pro 1000 Ausgabe-Tokens, am niedrigsten GLM-4.6 mit 0,08.

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

Medizin 19.07.2026: Claude Opus 4.7 (83)

2026-07-19T12:01:08.000Z

Medizin: Claude Opus 4.7 83/100.

Im Bereich Medizin widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,4 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,8 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 95 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.5 mit Ø 0,3 pro Antwort. Auf die Antwortlänge bezogen: 1,09 pro 1000 Ausgabe-Tokens, am niedrigsten GLM-4.6 mit 0,12.

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

Medizin 21.06.2026: GPT-5.5 Pro (88)

2026-06-21T14:39:14.000Z

Medizin: GPT-5.5 Pro 88/100.

Im Bereich Medizin widerspricht GPT-5.5 Pro (Score-Spitze) im Mittel in 0,5 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,4 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 85 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 3.1 Pro mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 0,18 pro 1000 Ausgabe-Tokens.

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

Medizin 29.05.2026: Claude Opus 4.7 (84)

2026-05-29T04:35:00.000Z

Medizin: Claude Opus 4.7 84/100.

Im Bereich Medizin widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,5 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,8 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 100 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 1,15 pro 1000 Ausgabe-Tokens, am niedrigsten Claude Opus 4.8 mit 0,68.

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