Ranking-Lauf 10.05.2026
Claude Opus 4.7 führt mit 76/100 über alle Domänen. Steuerrecht: Claude Opus 4.7 (71) · Medizin: Claude Opus 4.7 (83) · Jura: Claude Opus 4.7 (77) · Wirtschaftsrecht: GPT-5 (79).
Gesamt über alle Domänen
| # | Modell | top100 | 95 % CI | Δ Vorlauf | Ausfälle | Sek. Median/p90 | Hallu-Band | pro 1000 Tok. | Δ eigene Familie |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.7 | 0 | 17 / 31 | 76 | 71–80 | -1 | 53 | 1,48 | — |
| 2 | GPT-5 | 0 | 29 / 38 | 73 | 67–78 | +6 | 65 | 0,62 | — |
| 3 | Mistral Large 2 | 0 | 33 / 369 | 45 | 36–54 | -1 | 39 | 4,43 | — |
| 4 | Gemini 2.5 Pro | 0 | 20 / 24 | 44 | 38–50 | +23 | 72 | 4,14 | — |
Δ Vorlauf = Differenz zum vorherigen publizierten Lauf; „—" = Modell war dort nicht dabei. Hallu-Band: 100 = keine, 0 = ≥ 4 Falschbehauptungen pro Antwort. Pro 1000 Tok. = markierte Behauptungen je 1000 Ausgabe-Tokens (längen-normiert). Δ eigene Familie = Score mit allen Judges minus Score nur mit anbieterfremden Judges, in Punkten; positiv = die eigene Familie bewertet großzügiger; „—" = vor code_version 0.2.8 nicht erfasst oder kein fremder Judge (Methodik §4, §6.5).
Steuerrecht · 8 Items
Platz 1–2 statistisch gleichauf (95-%-CI überlappt mit Platz 1)
Im Bereich Steuerrecht widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,6 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 Gemini 2.5 Pro mit Ø 1,8 pro Antwort. Auf die Antwortlänge bezogen: 1,70 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,89.
| # | Modell | top100 | 95 % CI | Δ Vorlauf | widerspricht Soll-Fakt | zusätzl. falsch/unbelegt | Ø gesamt | Antworten betroffen | pro 1000 Tok. | IRR |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.7 | 71 | 61–80 | +3 | 0,6 | 1,7 | 2,3 | 100 % | 1,70 | 80 % |
| 2 | GPT-5 | 55 | 44–68 | +13 | 1,4 | 1,1 | 2,5 | 100 % | 0,89 | 75 % |
| 3 | Gemini 2.5 Pro | 32 | 19–46 | +32 | 1,3 | 0,8 | 1,8 | 100 % | 7,73 | 61 % |
| 4 | Mistral Large 2 | 9 | 4–13 | +2 | 2,9 | 1,3 | 4,2 | 100 % | 9,87 | 58 % |
Medizin · 9 Items
Platz 1–3 statistisch gleichauf (95-%-CI überlappt mit Platz 1)
Im Bereich Medizin widerspricht Claude Opus 4.7 (Score-Spitze) im Mittel in 0,3 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,6 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 0,5 pro Antwort. Auf die Antwortlänge bezogen: 0,89 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,60.
| # | Modell | top100 | 95 % CI | Δ Vorlauf | widerspricht Soll-Fakt | zusätzl. falsch/unbelegt | Ø gesamt | Antworten betroffen | pro 1000 Tok. | IRR |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.7 | 83 | 73–90 | +1 | 0,3 | 0,6 | 0,9 | 100 % | 0,89 | 79 % |
| 2 | GPT-5 | 82 | 75–88 | -1 | 0,2 | 0,7 | 0,9 | 89 % | 0,60 | 77 % |
| 3 | Mistral Large 2 | 64 | 52–76 | -4 | 0,3 | 1,0 | 1,3 | 100 % | 2,23 | 74 % |
| 4 | Gemini 2.5 Pro | 54 | 47–61 | +25 | 0,3 | 0,3 | 0,5 | 67 % | 2,16 | 69 % |
Jura · 8 Items
Platz 1–2 statistisch gleichauf (95-%-CI überlappt mit Platz 1)
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 0,9 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: 1,41 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,26.
| # | Modell | top100 | 95 % CI | Δ Vorlauf | widerspricht Soll-Fakt | zusätzl. falsch/unbelegt | Ø gesamt | Antworten betroffen | pro 1000 Tok. | IRR |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.7 | 77 | 69–85 | -5 | 0,3 | 0,9 | 1,2 | 100 % | 1,41 | 83 % |
| 2 | GPT-5 | 73 | 66–80 | +9 | 0,0 | 0,5 | 0,5 | 75 % | 0,26 | 68 % |
| 3 | Mistral Large 2 | 54 | 47–63 | +1 | 0,4 | 0,6 | 1,0 | 88 % | 3,01 | 62 % |
| 4 | Gemini 2.5 Pro | 51 | 43–61 | +34 | 0,3 | 0,2 | 0,4 | 50 % | 1,95 | 75 % |
Wirtschaftsrecht · 8 Items
Platz 1–2 statistisch gleichauf (95-%-CI überlappt mit Platz 1)
Im Bereich Wirtschaftsrecht widerspricht GPT-5 (Score-Spitze) im Mittel in 0,4 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,3 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 100 % der Antworten enthalten mindestens eine Markierung. Auf die Antwortlänge bezogen: 0,60 pro 1000 Ausgabe-Tokens.
| # | Modell | top100 | 95 % CI | Δ Vorlauf | widerspricht Soll-Fakt | zusätzl. falsch/unbelegt | Ø gesamt | Antworten betroffen | pro 1000 Tok. | IRR |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | GPT-5 | 79 | 73–86 | +3 | 0,4 | 1,3 | 1,7 | 100 % | 0,60 | 75 % |
| 2 | Claude Opus 4.7 | 71 | 63–80 | -3 | 0,6 | 2,6 | 3,2 | 100 % | 1,71 | 63 % |
| 3 | Mistral Large 2 | 52 | 39–65 | 0 | 1,3 | 2,1 | 3,3 | 100 % | 3,95 | 57 % |
| 4 | Gemini 2.5 Pro | 38 | 27–53 | +18 | 1,4 | 0,4 | 1,7 | 100 % | 4,42 | 46 % |
Roh-Daten dieses Laufs
raw.jsonl und progress.jsonl sind die öffentlichen, um Antworttexte bereinigten Streams (Kontaminationsschutz, Methodik §7).