Überzeugen Sie sich selbst.
Öffentliche Benchmarks zu Finanzberichten und Verträgen sowie unser FDA-Benchmark. Wechseln Sie zwischen ihnen und prüfen Sie die Belege selbst.
FinanceBench und LegalBench-RAG, getestet am 20. Oktober 2026, sowie unser FDA-Benchmark. In den öffentlichen Benchmarks führte jedes System eine Suche pro Frage aus, mit demselben Antwortmodell (GPT-5.4 mini, niedrige Reasoning-Stufe) und demselben Richter (Claude Sonnet 5, Mehrheitsentscheid aus drei Stimmen). Die Suchzeit wurde in Version 2.4 unseres Benchmark-Berichts gemessen.
- 92% Erfolgsquote bei FinanceBench Von den Fragen, die eine perfekte Suche lösen würde, löst Hippocampus 92 %. Nächstbestes System: 77 %.
- 86% Erfolgsquote bei LegalBench-RAG Von den Fragen, die eine perfekte Suche lösen würde, löst Hippocampus 86 %. Nächstbestes System: 78 %.
- 1,8 s mediane Suchzeit von Hippocampus Vertex AI Search 0,3 s, Azure AI Search 0,4 s, beide weniger genau.
Direktvergleich
FinanceBench: Erfolgsquote nach System
150 Analystenfragen zu 84 Pflichtveröffentlichungen von US-Unternehmen, von Patronus AI. Jeder Balken zeigt den Anteil der beantwortbaren Fragen, die das System mit seiner eigenen Suche richtig beantwortet.
Vollständigen Bericht lesenDirektvergleich
LegalBench-RAG: Erfolgsquote nach System
776 Fragen zu 72 Verträgen und Datenschutzerklärungen, von ZeroEntropy. Jeder Balken zeigt den Anteil der beantwortbaren Fragen, die das System mit seiner eigenen Suche richtig beantwortet.
Vollständigen Bericht lesenDirektvergleich
Gesundheitswesen: richtige Antworten nach System
Jedes System antwortete über GPT-5.4 mini, dasselbe kleine Modell.
Vollständigen Bericht lesenGesundheitswesen
Mit einem stärkeren Modell wird das Ergebnis noch besser.
- 100% Retrieval-Genauigkeit Claude Opus 5 als Antwortmodell. Für jede beantwortbare Frage wurde in jeder Wiederholung ein richtiges Quelldokument erreicht.
- 97% richtig Claude Opus 5 als Antwortmodell. Zwei vollständige Durchläufe des Fragensatzes (47 von 48 und 46 von 48), einschließlich der Kontrollfrage, die in allen sechs Wiederholungen abgelehnt wurde.
- 6/6 Kontrollfrage abgelehnt Claude Opus 5 als Antwortmodell. Die Kontrollfrage, die die Dokumente nicht beantworten können, lehnte Hippocampus in allen sechs Wiederholungen ab.
So haben wir getestet
Derselbe Test für jedes System
Bei Finanzen und Recht indexierte jedes System dieselben Dokumente und führte eine Suche pro Frage aus. Dasselbe Antwortmodell (GPT-5.4 mini, niedrige Reasoning-Stufe) schrieb jede Antwort, und derselbe Richter (Claude Sonnet 5, drei Stimmen) bewertete sie. Im Gesundheitswesen schrieb GPT-5.4 mini jede Antwort in den Balken, GPT-5 bewertete sie (drei Stimmen), und Hippocampus durfte bis zu 12-mal suchen.
Wählen Sie Finanzen, Recht oder Gesundheitswesen, um zu sehen, wie der jeweilige Benchmark durchgeführt wurde.
So reproduzieren Sie es
Die Finanzergebnisse wiederholen
Laden Sie die Datensätze herunter, richten Sie jedes System wie unten beschrieben ein und bewerten Sie mit den Prompts.
Datensätze
- FinanceBench (Open-Source-Satz mit 150 Fragen), Patronus AI, github.com/patronus-ai/financebench, Lizenz CC BY-NC 4.0
- SECQUE, Ben Yoash et al., huggingface.co/datasets/nogabenyoash/SecQue, Lizenz MIT
Verwendet wie veröffentlicht. Diese Seite gibt keine Frage, Antwort oder Passage daraus wieder.
So wurde jedes System eingerichtet
- OpenAI File Search. Vector Store mit automatischem Chunking; das File-Search-Tool, 10 Ergebnisse, eine Suche.
- OpenAI Direct Search. Derselbe Vector Store, einmal mit der Frage durchsucht, 10 Ergebnisse.
- Azure AI Search. Vektorisierung über den Import-Assistenten, Chunks mit 2.000 Zeichen und 500 Zeichen Überlappung, text-embedding-3-large; eine hybride Abfrage mit dem semantischen Ranker, Top 10.
- Vertex AI Search. Standard Edition, EU; Layout-Parser, Chunks mit 500 Token samt übergeordneten Überschriften; eine Suche, Standard-Ranking, Abfrageerweiterung aus, Top 10.
- Hippocampus. Standardeinstellungen, nichts pro Test angepasst; eine Suche pro Frage über die Such-API, Such-Release vom 18. Oktober 2026.
So wurden die Antworten bewertet
- Dieselben Dokumente. Jedes System indexierte die identischen Dateien, per Prüfsumme festgeschrieben.
- Eine Suche pro Frage. Die Frage im Wortlaut; nur bei OpenAI File Search formuliert das Modell seine Suchanfrage selbst.
- Ein Antwortschritt. GPT-5.4 mini (niedrige Reasoning-Stufe), dieselbe Anweisung für jedes System.
- Ein Richter. Claude Sonnet 5, drei Stimmen pro Antwort; die Mehrheit zählt, bei drei verschiedenen Urteilen gilt das mittlere.
- Erfolgsquote. Der Anteil der Fragen, die jedes System mit seiner eigenen Suche richtig beantwortet, gemessen an den Fragen, die das Antwortmodell mit den richtigen Seiten richtig beantwortet (die Obergrenze). Die Untergrenze ist dasselbe Modell ohne Dokumente.
Prüfung der Fehlantworten
Jede Antwort, die nicht mit der Referenz übereinstimmte, wurde für jedes System und für die Obergrenze von Claude Opus 5.5 eingestuft: als echter Fehler, mehrdeutige Frage, Problem mit der Referenz oder richtig, aber weniger vollständig. Die Prüfung ist automatisiert und sah nicht, welches System geantwortet hatte.
Prompts
Jeder Prompt im Wortlaut. Platzhalter in spitzen Klammern werden pro Frage gefüllt; sonst wurde nichts gesendet. Die Untergrenze ist das Antwortmodell ohne Dokumente; die Obergrenze ist dasselbe Modell mit den richtigen Seiten.
File Search ist das einzige System, dessen Suchanfrage das Modell formuliert. Bei FinanceBench und SECQUE schrieb GPT-5.4 mini sie nach diesen Anweisungen, beschränkt auf eine Suche; seine Antwort wurde anschließend verworfen und durch den gemeinsamen Antwortschritt ersetzt.
INSTRUCTION
You answer questions using only the provided material. Answer directly and concisely, stating the fact asked for. If the material does not contain the answer, say so plainly instead of guessing.
MESSAGE
CONTEXT CHUNKS:
--- Source 1 ---
Document: <document title>
<passage text>
--- Source 2 ---
…
---
QUESTION: <the dataset's question, verbatim> SYSTEM PROMPT
You grade a retrieval assistant's answer against a reference answer.
Reply with ONLY a JSON object:
{"verdict": "correct" | "partially_correct" | "incorrect" | "refused",
"reference_suspect": true | false,
"reference_suspect_quote": "<verbatim quote from the ANSWER, or null>",
"matched_variant": <integer index, or null>,
"rationale": "<one sentence>"}
Definitions:
- "correct": conveys the same substance the question asked for.
- "partially_correct": part of that substance, with a material omission — or right
but hedged so heavily the reader could not act on it.
- "incorrect": CONTRADICTS the reference on something the question asked for.
- "refused": declines to answer, says the information is not available, or asks
for clarification instead of answering.
Scope rule — apply this first, it is the one graders get wrong:
The reference states what a correct answer must CONTAIN, never what it may not
also say. Anything the answer adds beyond the reference is OUTSIDE the
reference's scope: it can never lower the verdict. Extra findings, extra caveats,
additional true detail, more sources, richer formatting — all irrelevant to the
grade. Only a CONTRADICTION of something the question asked for counts against
the answer. "Mentions things the reference does not mention" is not a defect.
Numeric agreement — use these bands, do not invent a tolerance:
- within 10% of the reference value, or inside a stated confidence interval → treat as matching
- 10-25% off, same direction and same conclusion → at most "partially_correct"
- more than 25% off, or the opposite direction/conclusion → "incorrect"
- a DIFFERENT statistic that the answer clearly labels (per-trial where the
reference pooled, a subgroup where the reference used all trials) is not a
contradiction: grade "partially_correct" if the question asked for the
reference's aggregation level, "correct" if it did not.
matched_variant: when ALTERNATIVE ACCEPTABLE ANSWERS are supplied below, they are
every bit as correct as the primary reference - they record that this question has
more than one legitimate reading (a different trial, a different table, normalized
vs. raw figures, label vs. clinical study report). Grade against the primary
reference AND every alternative, and award the BEST verdict any of them yields.
Set matched_variant to the 0-based index of the alternative that produced it, or
null when the primary reference did. Never lower a verdict because the answer
matched an alternative rather than the primary - choosing between legitimate
sources is not the assistant's error.
reference_suspect: set true ONLY when the answer cites the corpus for something
that CONTRADICTS the reference, and put that verbatim quote from the answer in
reference_suspect_quote. No quote means no flag — leave it false and set the
quote to null.
Two failures this rule exists to prevent, both real:
- An answer that simply does not mention what the reference says is NOT evidence
the reference is wrong. It may be answering a narrower or different question.
A contract reference read "appointed as sole and exclusive agent"; the answer
said the party is called "the Customer". Both are true in the document, the
answer just addressed a different clause. That was flagged and should not have
been.
- Do not protect the reference because it is the reference. Where the answer
cites the document for a specific, checkable claim and the reference asserts
something the document does not support, say so — even though your verdict is
"incorrect". [One example omitted here: it came from a test that is not in this report.]
Still give your best verdict on the merits either way. This exists because gold
answers written from secondary material have repeatedly turned out to contradict
the source documents.
Grade only substance. Do not reward style, apologies or confidence. An answer
that is right for the wrong reason is still "correct" — judging the reasoning is
not your job.
MESSAGE
QUESTION:
<question>
REFERENCE ANSWER:
<the dataset's reference answer>
ASSISTANT'S ANSWER:
<the system's answer> INSTRUCTION
Answer as briefly as the question allows. State the specific answer first: the figure with its unit and the fiscal period it belongs to, or the yes/no with the one fact that decides it. When the answer has to be computed, give the inputs and the formula in one line. No preamble, no restating the question, no closing remarks. Keep citations.
SEARCH INSTRUCTIONS
- This is a document-grounded question set over company filings: ALWAYS search the documents before answering, including questions that read like general knowledge. The expected answer comes from the named company's filing for the named period, never from memory.
- When a question needs figures from more than one statement or period (an income statement AND a cash flow statement, two fiscal years), run a SEPARATE search for each figure instead of one combined query.
- Search again whenever the results are thin, come from another company or another period, or cover only part of the question. Refine the wording, or search for the missing figure specifically.
- Stop when further searching would add nothing — not merely when you have something to say. INSTRUCTION
You answer questions from your own knowledge. You have no documents and no search. Answer directly and concisely. If you do not know, say so in one sentence.
MESSAGE
QUESTION: <question> The answer step above, unchanged, with the benchmark's own evidence for the question as the context chunks. So reproduzieren Sie es
Die Rechtsergebnisse wiederholen
Laden Sie die Datensätze herunter, richten Sie jedes System wie unten beschrieben ein und bewerten Sie mit den Prompts.
Datensätze
- LegalBench-RAG (mini), ZeroEntropy, github.com/zeroentropy-ai/legalbenchrag, Lizenz MIT
Verwendet wie veröffentlicht. Diese Seite gibt keine Frage, Antwort oder Passage daraus wieder.
So wurde jedes System eingerichtet
- OpenAI File Search. Vector Store mit automatischem Chunking; das File-Search-Tool, 10 Ergebnisse, eine Suche.
- OpenAI Direct Search. Derselbe Vector Store, einmal mit der Frage durchsucht, 10 Ergebnisse.
- Azure AI Search. Vektorisierung über den Import-Assistenten, Chunks mit 2.000 Zeichen und 500 Zeichen Überlappung, text-embedding-3-large; eine hybride Abfrage mit dem semantischen Ranker, Top 10.
- Vertex AI Search. Standard Edition, EU; Layout-Parser, Chunks mit 500 Token samt übergeordneten Überschriften; eine Suche, Standard-Ranking, Abfrageerweiterung aus, Top 10; Anführungszeichen aus der Suchanfrage entfernt (siehe unten).
- Hippocampus. Standardeinstellungen, nichts pro Test angepasst; eine Suche pro Frage über die Such-API, Such-Release vom 18. Oktober 2026 (LegalBench-RAG: Release vom 19. Oktober, kein messbarer Unterschied).
So wurden die Antworten bewertet
- Dieselben Dokumente. Jedes System indexierte die identischen Dateien, per Prüfsumme festgeschrieben.
- Eine Suche pro Frage. Die Frage im Wortlaut; nur bei OpenAI File Search formuliert das Modell seine Suchanfrage selbst.
- Ein Antwortschritt. GPT-5.4 mini (niedrige Reasoning-Stufe), dieselbe Anweisung für jedes System.
- Ein Richter. Claude Sonnet 5, drei Stimmen pro Antwort; die Mehrheit zählt, bei drei verschiedenen Urteilen gilt das mittlere.
- Erfolgsquote. Der Anteil der Fragen, die jedes System mit seiner eigenen Suche richtig beantwortet, gemessen an den Fragen, die das Antwortmodell mit den richtigen Seiten richtig beantwortet (die Obergrenze). Die Untergrenze ist dasselbe Modell ohne Dokumente.
Prüfung der Fehlantworten
Jede Antwort, die nicht mit der Referenz übereinstimmte, wurde für jedes System und für die Obergrenze von Claude Opus 5.5 eingestuft: als echter Fehler, mehrdeutige Frage, Problem mit der Referenz oder richtig, aber weniger vollständig. Die Prüfung ist automatisiert und sah nicht, welches System geantwortet hatte.
Vertex AI Search und Anführungszeichen
Vertex AI Search liest doppelte Anführungszeichen als Operator für eine exakte Wortfolge. Wurden die in Anführungszeichen gesetzten Parteinamen von LegalBench-RAG unverändert gesendet, lieferten 347 der 373 Fragen mit Anführungszeichen keine Passage. Deshalb haben wir allein für Vertex die Anführungszeichen aus der Suchanfrage entfernt. Der Antwortschritt sah jede Frage im Wortlaut.
Prompts
Jeder Prompt im Wortlaut. Platzhalter in spitzen Klammern werden pro Frage gefüllt; sonst wurde nichts gesendet. Die Untergrenze ist das Antwortmodell ohne Dokumente; die Obergrenze ist dasselbe Modell mit den richtigen Seiten.
INSTRUCTION
You answer questions using only the provided material. Answer directly and concisely, stating the fact asked for. If the material does not contain the answer, say so plainly instead of guessing.
MESSAGE
CONTEXT CHUNKS:
--- Source 1 ---
Document: <document title>
<passage text>
--- Source 2 ---
…
---
QUESTION: <the dataset's question, verbatim> SYSTEM PROMPT
You grade a retrieval assistant's answer against a reference answer.
Reply with ONLY a JSON object:
{"verdict": "correct" | "partially_correct" | "incorrect" | "refused",
"reference_suspect": true | false,
"reference_suspect_quote": "<verbatim quote from the ANSWER, or null>",
"matched_variant": <integer index, or null>,
"rationale": "<one sentence>"}
Definitions:
- "correct": conveys the same substance the question asked for.
- "partially_correct": part of that substance, with a material omission — or right
but hedged so heavily the reader could not act on it.
- "incorrect": CONTRADICTS the reference on something the question asked for.
- "refused": declines to answer, says the information is not available, or asks
for clarification instead of answering.
Scope rule — apply this first, it is the one graders get wrong:
The reference states what a correct answer must CONTAIN, never what it may not
also say. Anything the answer adds beyond the reference is OUTSIDE the
reference's scope: it can never lower the verdict. Extra findings, extra caveats,
additional true detail, more sources, richer formatting — all irrelevant to the
grade. Only a CONTRADICTION of something the question asked for counts against
the answer. "Mentions things the reference does not mention" is not a defect.
Numeric agreement — use these bands, do not invent a tolerance:
- within 10% of the reference value, or inside a stated confidence interval → treat as matching
- 10-25% off, same direction and same conclusion → at most "partially_correct"
- more than 25% off, or the opposite direction/conclusion → "incorrect"
- a DIFFERENT statistic that the answer clearly labels (per-trial where the
reference pooled, a subgroup where the reference used all trials) is not a
contradiction: grade "partially_correct" if the question asked for the
reference's aggregation level, "correct" if it did not.
matched_variant: when ALTERNATIVE ACCEPTABLE ANSWERS are supplied below, they are
every bit as correct as the primary reference - they record that this question has
more than one legitimate reading (a different trial, a different table, normalized
vs. raw figures, label vs. clinical study report). Grade against the primary
reference AND every alternative, and award the BEST verdict any of them yields.
Set matched_variant to the 0-based index of the alternative that produced it, or
null when the primary reference did. Never lower a verdict because the answer
matched an alternative rather than the primary - choosing between legitimate
sources is not the assistant's error.
reference_suspect: set true ONLY when the answer cites the corpus for something
that CONTRADICTS the reference, and put that verbatim quote from the answer in
reference_suspect_quote. No quote means no flag — leave it false and set the
quote to null.
Two failures this rule exists to prevent, both real:
- An answer that simply does not mention what the reference says is NOT evidence
the reference is wrong. It may be answering a narrower or different question.
A contract reference read "appointed as sole and exclusive agent"; the answer
said the party is called "the Customer". Both are true in the document, the
answer just addressed a different clause. That was flagged and should not have
been.
- Do not protect the reference because it is the reference. Where the answer
cites the document for a specific, checkable claim and the reference asserts
something the document does not support, say so — even though your verdict is
"incorrect". [One example omitted here: it came from a test that is not in this report.]
Still give your best verdict on the merits either way. This exists because gold
answers written from secondary material have repeatedly turned out to contradict
the source documents.
Grade only substance. Do not reward style, apologies or confidence. An answer
that is right for the wrong reason is still "correct" — judging the reasoning is
not your job.
MESSAGE
QUESTION:
<question>
REFERENCE ANSWER:
<the dataset's reference answer>
ASSISTANT'S ANSWER:
<the system's answer> INSTRUCTION
You answer questions from your own knowledge. You have no documents and no search. Answer directly and concisely. If you do not know, say so in one sentence.
MESSAGE
QUESTION: <question> The answer step above, unchanged, with the benchmark's own evidence for the question as the context chunks. So haben wir getestet
Die Methode im Gesundheitswesen
Die Dokumente sind öffentlich, die Fragen nicht. So sind wir vorgegangen.
Daten
Zehn öffentliche FDA-Dokumente, 2.198 Seiten: Prüfberichte, Fachinformationen und eine Studienpublikation zu Saxenda, Wegovy und Zepbound. Sechzehn Fragen, jede dreimal in unabhängigen Gesprächen gestellt: 8 leichte, 4 mittlere und 4 schwere, darunter eine Kontrollfrage, die die Dokumente nicht beantworten können und bei der eine Ablehnung richtig ist.
So wurde jedes System eingerichtet
- Hippocampus. Sucht so oft wie nötig, bis zu 12-mal, mit hierarchischem Retrieval; es erhält außerdem einen Überblick über die Sammlung, einen kurzen Suchleitfaden und Antwortanweisungen, die in früheren Durchläufen anhand dieser Fragen verfeinert wurden.
- OpenAI File Search. Alle zehn PDFs in einem Vector Store mit Standard-Chunking; bis zu 12 Aufrufe und 10 Ergebnisse pro Aufruf, Einstellungen dieser Evaluation.
- OpenAI Vector Store Search. Derselbe Store, eine Suche mit der Frage, 10 Ergebnisse.
- PageIndex. Dokumente vom Cloud-Dienst von PageIndex indexiert; in einem Schritt wählte das Modell bis zu sechs Abschnitte aus den zehn Dokumentbäumen und antwortete daraus, mit bis zu 12.000 Zeichen je Abschnitt. Dies ist unsere Adaption der veröffentlichten Tree Search von PageIndex.
- Ohne Dokumente. Dasselbe Modell allein.
GPT-5.4 mini schrieb jede Antwort: die eine Größe, die konstant gehalten wurde.
So wurden die Antworten bewertet
GPT-5, drei Stimmen, Mehrheitsentscheid, anhand der Referenzantworten des Fragensatzes. Die Ablehnung der Kontrollfrage zählt als richtig. Teilweise richtige Antworten und abgelehnte beantwortbare Fragen erhalten null Punkte. Vor den Durchläufen wurden drei Referenzantworten anhand der Quelldokumente korrigiert, und jedes System wurde gegen denselben korrigierten Satz bewertet.
Wiederholung und das stärkere Modell
OpenAI File Search durchlief den vollständigen Satz zweimal mit identischen Einstellungen und erreichte 38 und 34 von 48. Die anderen Systeme liefen einmal, sodass Unterschiede von wenigen Antworten allein aus der Schwankung zwischen Durchläufen stammen können. Mit Claude Opus 5 als Antwortmodell beantwortete dieselbe Hippocampus-Konfiguration 93 von 96 über zwei vollständige Durchläufe (47 und 46 von 48); die anderen Systeme liefen nicht mit diesem Modell, daher ist diese Zahl kein Vergleich.
Fragen und Referenzantworten
Die zehn Dokumente sind öffentlich: FDA-Veröffentlichungen und ein begutachteter Fachartikel. Die Fragen und Referenzantworten wurden mit einem Kunden erstellt und gehören ihm; mit dessen Zustimmung können wir qualifizierte Interessenten unter NDA durch die Fragen und jede bewertete Antwort führen.
- 92% Erfolgsquote bei FinanceBench Von den Fragen, die eine perfekte Suche lösen würde, löst Hippocampus 92 %. Nächstbestes System: 77 %.
- 86% aller FinanceBench-Fragen richtig beantwortet Jede Frage zählt, nichts herausgefiltert. Nächstbestes System: 70 %.
- 85% der FinanceBench-Belegpassagen gefunden Anteil der für die Antwort nötigen Passagen, den die Suche gefunden hat. Nächstbestes System: 58 %.
Direktvergleich
FinanceBench: Erfolgsquote nach System
150 Analystenfragen zu 84 Pflichtveröffentlichungen von US-Unternehmen, von Patronus AI. Jeder Balken zeigt den Anteil der beantwortbaren Fragen, die das System mit seiner eigenen Suche richtig beantwortet.
Vollständigen Bericht lesenErgebnisse im Detail
Was FinanceBench zeigt.
Kennzahlen, Verhältniszahlen und Einschätzungen zu den Finanzen eines Unternehmens, anhand von 84 Jahres-, Quartals- und Ad-hoc-Berichten (10-K, 10-Q, 8-K). Nah an echter Analystenarbeit: ein Dokument pro Frage, in der Frage benannt.
Direktvergleich
SECQUE: Erfolgsquote nach System
565 Expertenfragen zu 45 SEC-Berichten, von Ben Yoash et al. Jeder Balken zeigt den Anteil der beantwortbaren Fragen, die das System mit seiner eigenen Suche richtig beantwortet.
Vollständigen Bericht lesenErgebnisse im Detail
Was SECQUE zeigt.
Vergleich und Berechnung von Verhältniszahlen, Trends und Risiken anhand von 45 SEC-Berichten. Realistische Analystenaufgaben: Antworten brauchen oft mehrere Passagen und eine Berechnung.
- 85.7% Erfolgsquote Von den Fragen, die eine perfekte Suche lösen würde, löst Hippocampus 85,7 %. Nächstbestes System: 78,3 %.
- 82% aller Fragen richtig beantwortet Jede Frage zählt, nichts herausgefiltert. Nächstbestes System: 75 %.
- 86% der Belegpassagen gefunden Anteil der für die Antwort nötigen Passagen, den die Suche gefunden hat. Nächstbestes System: 75 %.
Direktvergleich
LegalBench-RAG: Erfolgsquote nach System
776 Fragen zu 72 Verträgen und Datenschutzerklärungen, von ZeroEntropy. Jeder Balken zeigt den Anteil der beantwortbaren Fragen, die das System mit seiner eigenen Suche richtig beantwortet.
Vollständigen Bericht lesenErgebnisse im Detail
Was LegalBench-RAG zeigt.
Geheimhaltungsvereinbarungen (NDAs), Fusionsverträge, Handelsverträge und Datenschutzerklärungen: 72 Dokumente, der Mini-Split von LegalBench-RAG. Nah an juristischer Prüfarbeit: Die Antwort ist eine Passage in einem benannten Dokument unter ähnlich aussehenden Verträgen.
- 100% Retrieval-Genauigkeit Claude Opus 5 als Antwortmodell. Für jede beantwortbare Frage wurde in jeder Wiederholung ein richtiges Quelldokument erreicht.
- 97% richtig Claude Opus 5 als Antwortmodell. Zwei vollständige Durchläufe des Fragensatzes (47 von 48 und 46 von 48), einschließlich der Kontrollfrage, die in allen sechs Wiederholungen abgelehnt wurde.
- 6/6 Kontrollfrage abgelehnt Claude Opus 5 als Antwortmodell. Die Kontrollfrage, die die Dokumente nicht beantworten können, lehnte Hippocampus in allen sechs Wiederholungen ab.
Direktvergleich
Gesundheitswesen: richtige Antworten nach System
Jedes System antwortete über GPT-5.4 mini, dasselbe kleine Modell.
Vollständigen Bericht lesenErgebnisse im Detail
Was der FDA-Benchmark zeigt.
Jedes System mit Dokumentzugriff beantwortete die meisten davon (19 bis 24 von 24), und das Modell allein beantwortete die Hälfte aus eigenem Wissen, da es sich um öffentliche Dokumente handelt. Einzelfakt-Abfragen trennen die Systeme nur wenig.
Erleben Sie es mit Ihren eigenen Dokumenten.
Free-Paket, keine Kreditkarte, kein API-Schlüssel. Importieren Sie ein Dokument und stellen Sie ihm die Frage, die die Alternativen falsch beantworten.