Ranking-Lauf 14.05.2026
Claude Opus 4.7 führt mit 75/100 über alle Domänen. Steuerrecht: Claude Opus 4.7 (68) · Medizin: Claude Opus 4.7 (82) · Jura: Claude Opus 4.7 (77) · Wirtschaftsrecht: GPT-5 (80).
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 | 20 / 31 | 75 | 72–78 | -2 | 49 | 1,59 | — |
| 2 | GPT-5 | 0 | 32 / 56 | 70 | 66–74 | +1 | 62 | 0,68 | — |
| 3 | Mistral Large 2 | 0 | 16 / 79 | 46 | 41–51 | -1 | 38 | 4,36 | — |
| 4 | Gemini 2.5 Pro | 0 | 23 / 27 | 45 | 41–48 | -2 | 72 | 4,25 | — |
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 · 24 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 0,8 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 2,1 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: 2,09 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,87.
| # | 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 | 68 | 62–74 | 0 | 0,8 | 2,1 | 2,8 | 100 % | 2,09 | 78 % |
| 2 | GPT-5 | 53 | 44–62 | -3 | 1,1 | 1,3 | 2,4 | 96 % | 0,87 | 72 % |
| 3 | Gemini 2.5 Pro | 30 | 23–37 | +5 | 1,4 | 0,5 | 1,8 | 88 % | 7,81 | 59 % |
| 4 | Mistral Large 2 | 13 | 9–17 | -4 | 2,2 | 1,5 | 3,7 | 100 % | 7,62 | 62 % |
Medizin · 27 Items
Platz 1–2 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 0,9 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: 1,15 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,69.
| # | 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 | 82 | 76–87 | -3 | 0,3 | 0,9 | 1,2 | 100 % | 1,15 | 83 % |
| 2 | GPT-5 | 80 | 75–84 | -6 | 0,4 | 0,6 | 1,0 | 96 % | 0,69 | 68 % |
| 3 | Mistral Large 2 | 67 | 62–72 | -2 | 0,6 | 0,9 | 1,5 | 96 % | 2,44 | 69 % |
| 4 | Gemini 2.5 Pro | 54 | 49–57 | -2 | 0,3 | 0,2 | 0,4 | 74 % | 1,92 | 71 % |
Jura · 24 Items
Im Bereich Jura 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; 83 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 0,5 pro Antwort. Auf die Antwortlänge bezogen: 1,35 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,54.
| # | 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 | 71–82 | -1 | 0,4 | 0,8 | 1,2 | 83 % | 1,35 | 73 % |
| 2 | GPT-5 | 66 | 61–70 | +6 | 0,3 | 0,6 | 1,0 | 71 % | 0,54 | 64 % |
| 3 | Gemini 2.5 Pro | 51 | 45–57 | -4 | 0,3 | 0,2 | 0,5 | 46 % | 2,38 | 70 % |
| 4 | Mistral Large 2 | 49 | 45–54 | +1 | 0,5 | 0,8 | 1,2 | 88 % | 3,78 | 59 % |
Wirtschaftsrecht · 24 Items
Platz 1–2 statistisch gleichauf (95-%-CI überlappt mit Platz 1)
Im Bereich Wirtschaftsrecht widerspricht GPT-5 (Score-Spitze) im Mittel in 0,5 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: 0,57 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 | 80 | 76–84 | +5 | 0,5 | 1,1 | 1,6 | 100 % | 0,57 | 74 % |
| 2 | Claude Opus 4.7 | 72 | 65–78 | -3 | 0,6 | 2,3 | 2,9 | 100 % | 1,62 | 71 % |
| 3 | Mistral Large 2 | 51 | 43–58 | -1 | 1,5 | 2,0 | 3,5 | 100 % | 4,32 | 58 % |
| 4 | Gemini 2.5 Pro | 44 | 37–51 | -6 | 1,2 | 0,6 | 1,7 | 92 % | 4,69 | 44 % |
Roh-Daten dieses Laufs
raw.jsonl und progress.jsonl sind die öffentlichen, um Antworttexte bereinigten Streams (Kontaminationsschutz, Methodik §7).