Vergleich · 18. Oktober 2026
Hippocampus vs OpenAI File Search, im Vergleich in zehn Dimensionen
Hippocampus ist die bessere Wahl, wenn jede Antwort an einer Seite geprüft werden muss und wenn Menschen und Agenten nur sehen dürfen, was sie lesen dürfen. OpenAI File Search ist die bessere Wahl, wenn Sie bereits auf der Responses API von OpenAI aufbauen, Retrieval als ein weiteres gehostetes Tool wollen, die hybride Suche selbst abstimmen möchten oder schnelle Antworten brauchen. In unserem FDA-Benchmark, mit GPT-5.4 mini als Antwortmodell für beide, beantwortete Hippocampus 40 von 48 Fragen korrekt und File Search 36 von 48*, ein Abstand innerhalb der Schwankung zwischen Durchläufen. File Search war schneller: ein Median von 7 Sekunden pro Antwort gegenüber 20 bei Hippocampus.
Dieser Artikel vergleicht die beiden Produkte Dimension für Dimension. Der Benchmark-Durchlauf selbst, mit fünf Systemen nebeneinander und den Fragen, bei denen sie sich unterscheiden, ist unser früherer Beitrag Hippocampus gegen OpenAI File Search und PageIndex; dieser Artikel wiederholt ihn nicht. Wir vergleichen außerdem Hippocampus vs PageIndex und Hippocampus vs Vertex AI Search.
Auf dieser SeiteÜberblick
Überblick
| Dimension | Hippocampus | OpenAI File Search |
|---|---|---|
| Hosting-Region und Self-Hosting | Dokumente und die Wissensstruktur werden verschlüsselt in der EU (Finnland) gespeichert. Die Modellinferenz läuft standardmäßig in den USA; im Corporate-Paket kann sie EU-gehostet oder in Ihrer eigenen Umgebung laufen. Hosting in der eigenen Cloud oder On-Premises ist Teil des Enterprise-Pakets. Sicherheit | Die Datenresidenz wird pro Projekt festgelegt, mit regionaler Speicherung in den USA, in Europa und in acht weiteren Regionen. Vector Stores haben keine regionale Verarbeitung; File Search in der Responses API hat regionale Verarbeitung nur in den USA und in Europa. Regionen außerhalb der USA erfordern eine Freigabe. Self-Hosting: nicht dokumentiert. Your data (geprüft im Oktober 2026) |
| Quellenangabe (Zitat auf Seitenebene) | Jede Antwort trägt Dokument, Abschnittspfad, Start- und Endseite, Byte-Offsets und den verwendeten Text. Die Zitate stammen aus dem Retrieval-Schritt, nicht vom Modell. | Antworten tragen file_citation-Annotationen mit Datei-ID, Dateiname und einem Zeichenindex. Zitate auf Seitenebene: nicht dokumentiert. File Search guide (geprüft im Oktober 2026) |
| Durchsetzung von Berechtigungen zur Abfragezeit | Innerhalb der Suche als Filter vor dem Ranking durchgesetzt; liefert nichts, wenn Berechtigungen nicht geprüft werden können. Eine Zusammenfassung über mehrere Dokumente ist nur für Personen sichtbar, die alle davon lesen dürfen. Agenten unterliegen denselben Berechtigungen. Sicherheit | Zugriffskontrolle pro Nutzer: nicht dokumentiert. Der Aufrufer kann die durchsuchten Dateien mit Dateiattributen und Metadatenfiltern eingrenzen. Retrieval guide (geprüft im Oktober 2026) |
| Verhalten bei unbeantwortbaren Fragen | Liefert das Retrieval nichts, wird die Frage abgelehnt, nicht geraten. Eine Ablehnung kostet dieselben Credits wie eine Antwort. | Ablehnungsverhalten: nicht dokumentiert. Ein Score-Schwellenwert und ein Ergebnislimit verringern die zurückgegebenen Chunks. File Search guide, Retrieval guide (geprüft im Oktober 2026) |
| Retrieval-Architektur (strukturiertes Gedächtnis vs. Vektorindex vs. Dateisuche) | Strukturiertes Gedächtnis, beim Import aufgebaut: ein Baum pro Dokument mit einer Index-Zusammenfassung, Abschnittszusammenfassungen und Blattabschnitten mit Seiten und Bytebereichen. Zwei Trichter, top-down über die Zusammenfassungen und bottom-up als Stichwort- plus Embedding-Suche über die Blattabschnitte, zu einem Ranking zusammengeführt. Entwickler | Vector Store: Dateien werden beim Hochladen in Chunks zerlegt (standardmäßig 800 Tokens mit 400 Überlappung), eingebettet und indexiert. Semantische Suche mit optionaler Umformulierung der Anfrage und gewichteter hybrider Stichwortsuche, bis zu 50 Ergebnisse. Retrieval guide (geprüft im Oktober 2026) |
| Unterstützte Antwortmodelle | Jedes Sprachmodell. Sie wählen, welches Modell antwortet, festgelegt pro Workspace; im Corporate-Paket können Sie Ihren eigenen Modellschlüssel nutzen oder die Modelle von Administratoren festlegen lassen. Entwickler | Läuft als Tool in der Responses API von OpenAI. Eine Liste unterstützter Modelle: nicht dokumentiert. File Search guide (geprüft im Oktober 2026) |
| Verfügbarkeit von API und MCP | Ein MCP-Server mit OAuth-Anmeldung im Browser und eine REST-API im Early Access. Entwickler | Als Tool in der Responses API konfiguriert. Die Responses API kann entfernte MCP-Server aufrufen; File Search als gehosteter MCP-Server: nicht dokumentiert. File Search guide, MCP guide (geprüft im Oktober 2026) |
| Exportformat der Daten | Open Knowledge Format: ein Ordner pro Dokument aus Markdown mit YAML-Front-Matter, mit der Index-Zusammenfassung, dem Volltext, der Originaldatei und einem Ordner pro Abschnitt. Über die API lesbar, exportierbar, solange das Konto aktiv ist. Entwickler | Ein Endpunkt liefert den geparsten Text einer Vector-Store-Datei, seitenweise. Export der Embeddings oder eines ganzen Stores: nicht dokumentiert. Vector store file content (geprüft im Oktober 2026) |
| Verwendung von Kundendaten für das Training | Nie zum Trainieren von KI verwendet, weder von Thalius noch von den Modellanbietern; ihre Verträge untersagen es. Sicherheit | API-Daten werden standardmäßig nicht zum Training verwendet; eine Weitergabe erfordert eine ausdrückliche Einwilligung (Opt-in). Your data (geprüft im Oktober 2026) |
| Preismodell und Free-Paket | Credits, eine Einheit in jedem Paket. Free-Paket mit monatlich enthaltenen Credits und ohne Kreditkarte, Starter und Corporate nach Angebot. Eine Ablehnung kostet dasselbe wie eine Antwort. Beträge unter Preise | Nutzungsbasiert: Vektorspeicher pro GB und Tag mit einem kostenlosen Kontingent, plus eine Gebühr pro File-Search-Aufruf. Beträge auf der Preisseite (geprüft im Oktober 2026) |
Benchmark
Zehn öffentliche FDA-Dokumente zu Saxenda, Wegovy und Zepbound (2.198 Seiten), sechzehn Fragen vom Team von Atrogi, jede dreimal in unabhängigen Unterhaltungen gestellt. Jedes System antwortete am 17. September 2026 über dasselbe Modell, GPT-5.4 mini. Ein Bewertungsmodell, GPT-5 mit drei Stimmen und Mehrheitsentscheid, verglich jede Antwort mit einer Referenzantwort; die Ablehnung der Kontrollfrage zählt als korrekt.
- Hippocampus: 40 von 48 korrekt*, 79 % gewichtet, Median 20 Sekunden pro Antwort.
- OpenAI File Search: 36 von 48 korrekt*, der Durchschnitt zweier Durchläufe mit 38 und 34, 64 % gewichtet, Median 7 Sekunden pro Antwort.
Der gewichtete Score zählt leichte Fragen einfach, mittlere doppelt und schwere dreifach. Bei der Kontrollfrage, die die Dokumente nicht beantworten können, gab File Search in vier von sechs Versuchen eine Rangfolge als Antwort; Hippocampus erklärte jedes Mal, dass die Dokumente keine Rangfolge stützen, und bot in zwei von drei Antworten die Zulassungsreihenfolge als gekennzeichneten Näherungswert an.
Was dieses Ergebnis nicht zeigt:
- Der Abstand zwischen Hippocampus und File Search liegt innerhalb der Schwankung zwischen Durchläufen: Die zwei identischen Durchläufe von File Search unterschieden sich um vier Antworten.
- Hippocampus-Konfigurationen, die am 16. und 17. September getestet wurden, erreichten zwischen 37 und 40 von 48. Die Zahl oben stammt aus einem Durchlauf mit 40.
- Der Suchleitfaden, den Hippocampus dem Modell gibt, wurde anhand derselben sechzehn Fragen verfeinert. Die anderen Systeme liefen mit den Standardeinstellungen der Anbieter plus einer Anweisung in einem Satz, nur aus dem Material zu antworten.
- File Search lief zweimal. Die anderen Systeme liefen einmal, Unterschiede von wenigen Antworten können also allein aus der Schwankung stammen.
- Hippocampus ist das langsamste getestete System: ein Median von 20 Sekunden pro Antwort gegenüber 5 bis 8 Sekunden bei den anderen. Das sind Zeiten für eine vollständige Antwort, bei der das Modell so oft sucht, wie es nötig ist. Eine einzelne Hippocampus-Suche dauert in unserem späteren Benchmark-Bericht im Median 1,8 Sekunden.
- Das Bewertungsmodell ist GPT-5 von OpenAI, und auch das Antwortmodell und zwei der getesteten Systeme stammen von OpenAI.
Die vollständige Tabelle mit allen fünf Systemen steht in Hippocampus gegen OpenAI File Search und PageIndex. Korpus, Fragen und die Ergebnisse mit drei Antwortmodellen stehen im FDA-GLP-1-Benchmark, und jedes veröffentlichte Ergebnis steht unter Nachweise.
* Antwortmodell GPT-5.4 mini für jedes System. Bewertung durch GPT-5, drei Stimmen, Mehrheitsentscheid. Thalius-Evaluation, 17. September 2026.
Richtige Antworten von 48 beim FDA-Benchmark
Jeder Balken zählt die richtigen Antworten von 48 zu zehn öffentlichen FDA-Dokumenten, sechzehn Fragen, jede dreimal gestellt.
- Hippocampus 40 von 48
- OpenAI File Search 36 von 48
Tabellenansicht: jede Zahl hinter dem Diagramm
| Name | Wert | Hinweis |
|---|---|---|
| Hippocampus | 40 von 48 | |
| OpenAI File Search | 36 von 48 | Durchschnitt aus zwei identischen Durchläufen: 38 und 34 |
Wann OpenAI File Search die bessere Wahl ist
- Sie bauen bereits auf der Responses API von OpenAI auf und wollen Retrieval als ein weiteres Tool im selben Aufruf: Dateien werden beim Hochladen in Chunks zerlegt, eingebettet und indexiert, ohne separaten Dienst, den Sie betreiben müssen (Retrieval guide, geprüft im Oktober 2026).
- Sie wollen das Retrieval selbst abstimmen: Gewichte der hybriden Suche, Umformulierung der Anfrage, ein Score-Schwellenwert und Attributfilter sind alle zugänglich (Retrieval guide, geprüft im Oktober 2026).
- Sie brauchen Speicherung in einer Region außerhalb der EU: OpenAI nennt regionale Speicherung in zehn Regionen, darunter Australien, Kanada, Japan und die VAE, mit regionaler Verarbeitung für File Search in den USA und in Europa (Your data, geprüft im Oktober 2026).
- Geschwindigkeit zählt mehr als Tiefe: In unserem FDA-Benchmark antwortete File Search im Median in 7 Sekunden gegenüber 20 bei Hippocampus.
Hippocampus mit denselben Dokumenten testen
Laden Sie die Dokumente hoch, die Sie in einen File-Search-Vector-Store legen würden, und stellen Sie Hippocampus dieselben Fragen, auf Wunsch mit einem OpenAI-Modell als Antwortmodell. Kostenlos starten, ohne Kreditkarte. Lesen Sie vorher, wie Hippocampus Berechtigungen durchsetzt und wo es Dokumente speichert, die API, den MCP-Server und das Exportformat, wie Credits in jedem Paket funktionieren und Hosting in der eigenen Cloud oder On-Premises im Enterprise-Paket.
Quellen und letzte Aktualisierung
Zuletzt aktualisiert: Oktober 2026.
- OpenAI: Your data
- OpenAI: File Search guide
- OpenAI: Retrieval guide
- OpenAI: MCP and connectors guide
- OpenAI: Retrieve vector store file content
- OpenAI: Pricing
- Thalius: Nachweise
- Thalius: Sicherheit
- Thalius: Entwickler
- Thalius: Preise
- Thalius: Enterprise
- Thalius: Hippocampus gegen OpenAI File Search und PageIndex
- Thalius: Der FDA-GLP-1-Benchmark
- Thalius: Hippocampus vs PageIndex
- Thalius: Hippocampus vs Vertex AI Search
Fragen
Häufig gestellte Fragen
Wie schneidet Hippocampus im Vergleich zu OpenAI File Search ab?
Hippocampus ist die bessere Wahl, wenn jede Antwort an einer Seite überprüfbar sein muss und Menschen wie Agenten nur sehen dürfen, was sie lesen dürfen. OpenAI File Search ist die bessere Wahl für Teams, die die Responses API von OpenAI nutzen, oder wenn Geschwindigkeit zählt: im Median 7 Sekunden pro Antwort gegenüber 20. Im FDA-Benchmark von Thalius beantwortete Hippocampus 40 von 48 Fragen korrekt und File Search 36 von 48, ein Abstand innerhalb der Schwankung zwischen Durchläufen.
Kann ich meine OpenAI-Modelle behalten und Hippocampus für das Retrieval nutzen?
Ja: Hippocampus arbeitet mit jedem Sprachmodell, auch mit denen von OpenAI. Sie wählen, welches Modell antwortet, festgelegt pro Workspace; im Corporate-Paket können Sie Ihren eigenen Modellschlüssel nutzen oder die Modelle von einem Administrator festlegen lassen. Retrieval und Zitate bleiben in Hippocampus, gleich welches Modell antwortet.
Liefert OpenAI File Search Zitate auf Seitenebene?
Zitate auf Seitenebene sind für File Search nicht dokumentiert: Antworten tragen ein Dateizitat mit Datei-ID, Dateiname und einem Zeichenindex (geprüft im Oktober 2026). Hippocampus liefert für jede Quelle Dokument, Abschnittspfad, Start- und Endseite, Byte-Offsets und den verwendeten Text.
Kann File Search Ergebnisse pro Nutzer einschränken?
Nicht als identitätsbasierte Zugriffskontrolle: Der dokumentierte Weg sind Dateiattribute und Metadatenfilter, die der Aufrufer mitgibt (geprüft im Oktober 2026). Hippocampus setzt Dokumentberechtigungen innerhalb der Suche durch, vor dem Ranking, und liefert nichts, wenn Berechtigungen nicht geprüft werden können.
Kann ich meine Dokumente in der EU behalten?
Beide speichern Dokumente in Europa. OpenAI nennt regionale Speicherung in Europa und regionale Verarbeitung in Europa für File Search in der Responses API, wobei Regionen außerhalb der USA eine Freigabe erfordern (geprüft im Oktober 2026). Hippocampus speichert Dokumente und die Wissensstruktur in der EU (Finnland); die Modellinferenz läuft standardmäßig in den USA und kann im Corporate-Paket EU-gehostet oder in Ihrer eigenen Umgebung laufen.
Werden meine Daten zum Trainieren von Modellen verwendet?
Bei keinem der beiden standardmäßig. OpenAI trainiert nicht mit API-Daten, außer Sie willigen ein (geprüft im Oktober 2026). Hippocampus verwendet Kundendaten nie zum Trainieren von KI, und seine Verträge untersagen es den Modellanbietern.
