Ranking-Lauf 12.05.2026
Claude Opus 4.7 führt mit 77/100 über alle Domänen. Steuerrecht: Claude Opus 4.7 (71) · Medizin: Claude Opus 4.7 (85) · Jura: Claude Opus 4.7 (80) · Wirtschaftsrecht: GPT-5 (77).
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 / 27 | 77 | 72–81 | +2 | 51 | 1,56 | — |
| 2 | GPT-5 | 0 | 29 / 47 | 73 | 65–79 | +3 | 59 | 0,72 | — |
| 3 | Gemini 2.5 Pro | 0 | 23 / 28 | 48 | 42–54 | +1 | 71 | 4,42 | — |
| 3 | Mistral Large 2 | 0 | 15 / 84 | 48 | 39–56 | +5 | 45 | 4,00 | — |
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 2,0 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 1,9 pro Antwort. Auf die Antwortlänge bezogen: 2,07 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,80.
| # | 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 | 64–79 | +2 | 0,6 | 2,0 | 2,6 | 100 % | 2,07 | 82 % |
| 2 | GPT-5 | 63 | 49–76 | +12 | 0,9 | 1,5 | 2,3 | 100 % | 0,80 | 77 % |
| 3 | Gemini 2.5 Pro | 32 | 20–46 | +1 | 1,3 | 0,7 | 1,9 | 88 % | 7,79 | 65 % |
| 4 | Mistral Large 2 | 12 | 7–17 | +1 | 2,5 | 1,1 | 3,5 | 100 % | 7,74 | 60 % |
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 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,7 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 0,6 pro Antwort. Auf die Antwortlänge bezogen: 0,84 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,76.
| # | 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 | 85 | 75–93 | +3 | 0,2 | 0,7 | 0,9 | 100 % | 0,84 | 84 % |
| 2 | GPT-5 | 85 | 78–92 | +1 | 0,3 | 0,7 | 1,1 | 89 % | 0,76 | 80 % |
| 3 | Mistral Large 2 | 70 | 64–77 | +3 | 0,2 | 1,2 | 1,4 | 100 % | 2,22 | 80 % |
| 4 | Gemini 2.5 Pro | 54 | 44–63 | +1 | 0,4 | 0,3 | 0,6 | 67 % | 2,43 | 70 % |
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 0,1 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,9 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 88 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 1,12 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,68.
| # | 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 | 80 | 75–85 | +1 | 0,1 | 0,9 | 1,0 | 88 % | 1,12 | 87 % |
| 2 | GPT-5 | 64 | 44–77 | -7 | 0,9 | 0,5 | 1,3 | 75 % | 0,68 | 70 % |
| 3 | Mistral Large 2 | 56 | 48–65 | +9 | 0,4 | 0,5 | 0,9 | 75 % | 2,95 | 60 % |
| 4 | Gemini 2.5 Pro | 51 | 41–58 | -4 | 0,4 | 0,1 | 0,4 | 38 % | 1,97 | 64 % |
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 0,6 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,1 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 100 % der Antworten enthalten mindestens eine Markierung. Auf die Antwortlänge bezogen: 0,64 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 | 77 | 68–84 | +3 | 0,6 | 1,1 | 1,8 | 100 % | 0,64 | 71 % |
| 2 | Claude Opus 4.7 | 71 | 63–81 | +2 | 0,6 | 2,8 | 3,4 | 100 % | 1,89 | 60 % |
| 3 | Gemini 2.5 Pro | 53 | 38–65 | +7 | 0,9 | 0,9 | 1,8 | 100 % | 4,92 | 55 % |
| 4 | Mistral Large 2 | 49 | 39–59 | +4 | 1,1 | 1,9 | 2,9 | 100 % | 3,85 | 51 % |
Roh-Daten dieses Laufs
raw.jsonl und progress.jsonl sind die öffentlichen, um Antworttexte bereinigten Streams (Kontaminationsschutz, Methodik §7).