Ranking-Lauf 28.05.2026
Claude Opus 4.7 führt mit 79/100 über alle Domänen. Steuerrecht: Claude Opus 4.7 (76) · Medizin: Claude Opus 4.7 (87) · Jura: Claude Opus 4.7 (82) · Wirtschaftsrecht: GPT-5 (78).
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 / 27 | 79 | 77–82 | +3 | 57 | 1,53 | — |
| 2 | GPT-5 | 0 | 39 / 64 | 75 | 71–78 | +1 | 68 | 0,64 | — |
| 3 | Gemini 2.5 Pro | 0 | 20 / 25 | 52 | 48–56 | 0 | 77 | 4,03 | — |
| 4 | Mistral Large 2 | 0 | 10 / 69 | 50 | 46–55 | +1 | 49 | 4,24 | — |
| 5 | Grok 4.3 | 0 | 8 / 16 | 47 | 43–51 | -1 | 77 | 4,53 | — |
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 · 15 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 0,5 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,9 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 93 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.3 mit Ø 1,5 pro Antwort. Auf die Antwortlänge bezogen: 1,94 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,73.
| # | 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 | 76 | 69–83 | -3 | 0,5 | 1,9 | 2,4 | 93 % | 1,94 | 81 % |
| 2 | GPT-5 | 61 | 51–72 | +7 | 0,8 | 1,1 | 1,9 | 100 % | 0,73 | 63 % |
| 3 | Gemini 2.5 Pro | 33 | 24–44 | +3 | 1,2 | 0,6 | 1,7 | 87 % | 7,62 | 65 % |
| 4 | Grok 4.3 | 33 | 24–41 | +3 | 1,1 | 0,5 | 1,5 | 80 % | 6,56 | 61 % |
| 5 | Mistral Large 2 | 26 | 17–35 | -1 | 1,9 | 1,4 | 3,3 | 100 % | 7,01 | 59 % |
Medizin · 20 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 0,4 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 1,1 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 90 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Grok 4.3 mit Ø 0,4 pro Antwort. Auf die Antwortlänge bezogen: 1,36 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,81.
| # | 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 | 87 | 82–91 | +7 | 0,4 | 1,1 | 1,4 | 90 % | 1,36 | 85 % |
| 2 | GPT-5 | 79 | 71–86 | 0 | 0,5 | 0,6 | 1,1 | 90 % | 0,81 | 77 % |
| 3 | Mistral Large 2 | 66 | 59–73 | -1 | 0,4 | 0,9 | 1,2 | 95 % | 2,24 | 71 % |
| 4 | Gemini 2.5 Pro | 56 | 48–66 | 0 | 0,3 | 0,3 | 0,5 | 55 % | 2,39 | 75 % |
| 5 | Grok 4.3 | 55 | 47–62 | 0 | 0,3 | 0,2 | 0,4 | 50 % | 2,24 | 73 % |
Jura · 35 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 0,2 Fällen pro Antwort einem hinterlegten Soll-Fakt und fügt Ø 0,7 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 71 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 0,5 pro Antwort. Auf die Antwortlänge bezogen: 0,99 pro 1000 Ausgabe-Tokens, am niedrigsten GPT-5 mit 0,50.
| # | 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 | 79–86 | +5 | 0,2 | 0,7 | 0,9 | 71 % | 0,99 | 83 % |
| 2 | GPT-5 | 74 | 68–79 | -3 | 0,2 | 0,7 | 0,8 | 71 % | 0,50 | 70 % |
| 3 | Gemini 2.5 Pro | 61 | 55–66 | -1 | 0,3 | 0,2 | 0,5 | 37 % | 2,34 | 73 % |
| 4 | Grok 4.3 | 48 | 42–54 | -2 | 0,4 | 0,2 | 0,5 | 49 % | 4,62 | 68 % |
| 5 | Mistral Large 2 | 48 | 41–56 | +2 | 1,0 | 0,6 | 1,6 | 80 % | 5,15 | 66 % |
Wirtschaftsrecht · 30 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 1,2 Behauptungen hinzu, die das Judge-Panel als falsch oder unbelegt markiert; 93 % der Antworten enthalten mindestens eine Markierung. Den niedrigsten Wert hat Gemini 2.5 Pro mit Ø 1,3 pro Antwort. Auf die Antwortlänge bezogen: 0,65 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 | 78 | 72–84 | 0 | 0,4 | 1,2 | 1,5 | 93 % | 0,65 | 72 % |
| 2 | Claude Opus 4.7 | 72 | 67–78 | 0 | 0,6 | 2,0 | 2,6 | 100 % | 1,83 | 68 % |
| 3 | Mistral Large 2 | 54 | 46–61 | +2 | 0,7 | 1,7 | 2,4 | 97 % | 3,83 | 53 % |
| 4 | Gemini 2.5 Pro | 48 | 41–56 | -2 | 0,7 | 0,6 | 1,3 | 77 % | 4,80 | 62 % |
| 5 | Grok 4.3 | 47 | 41–54 | -2 | 0,6 | 0,7 | 1,3 | 83 % | 4,66 | 55 % |
Roh-Daten dieses Laufs
raw.jsonl und progress.jsonl sind die öffentlichen, um Antworttexte bereinigten Streams (Kontaminationsschutz, Methodik §7).