Se själv.
Publika benchmarks på bolagsrapporter och avtal, och vår FDA-benchmark. Växla mellan dem och granska bevisen själv.
FinanceBench och LegalBench-RAG, testade den 20 oktober 2026, och vår FDA-benchmark. I de publika testerna gjorde varje system en sökning per fråga, med samma svarsmodell (GPT-5.4 mini, låg resonemangsnivå) och samma domare (Claude Sonnet 5, majoritet av tre röster). Söktiden mättes i version 2.4 av vår benchmarkrapport.
- 92% framgångsgrad på FinanceBench Av de frågor som en perfekt sökning skulle lösa löser Hippocampus 92 %. Näst bäst: 77 %.
- 86% framgångsgrad på LegalBench-RAG Av de frågor som en perfekt sökning skulle lösa löser Hippocampus 86 %. Näst bäst: 78 %.
- 1.8 s Hippocampus mediantid per sökning Vertex AI Search 0,3 s, Azure AI Search 0,4 s, båda mindre träffsäkra.
Direkt jämförelse
FinanceBench: framgångsgrad per system
150 analytikerfrågor på 84 amerikanska bolagsrapporter, från Patronus AI. Varje stapel är andelen besvarbara frågor som systemet får rätt med sin egen sökning.
Läs hela rapportenDirekt jämförelse
LegalBench-RAG: framgångsgrad per system
776 frågor på 72 avtal och integritetspolicyer, från ZeroEntropy. Varje stapel är andelen besvarbara frågor som systemet får rätt med sin egen sökning.
Läs hela rapportenDirekt jämförelse
Sjukvård: rätta svar per system
Varje system svarade via GPT-5.4 mini, samma lilla modell.
Läs hela rapportenSjukvård
Men med en starkare modell blir resultatet ännu bättre.
- 100% hämtningsprecision Claude Opus 5 som svarsmodell. Ett korrekt källdokument nåddes för varje besvarbar fråga, varje upprepning.
- 97% rätt Claude Opus 5 som svarsmodell. Två fullständiga körningar av frågeuppsättningen (47 av 48 och 46 av 48), inklusive kontrollfrågan som avböjdes i alla sex upprepningarna.
- 6/6 kontrollfrågan avböjd Claude Opus 5 som svarsmodell. Tillfrågat om något som dokumenten inte kan besvara, avböjde det kontrollfrågan i alla sex upprepningarna.
Så testade vi
Samma test för varje system
Inom finans och juridik indexerade varje system samma dokument och gjorde en sökning per fråga. Samma svarsmodell (GPT-5.4 mini, låg resonemangsnivå) skrev varje svar, och samma domare (Claude Sonnet 5, tre röster) bedömde det. Inom sjukvård skrev GPT-5.4 mini varje svar i staplarna, GPT-5 bedömde dem (tre röster), och Hippocampus kunde söka upp till 12 gånger.
Välj Finans, Juridik eller Sjukvård för att se hur du upprepar den benchmarken.
Så upprepar du testet
Upprepa finansresultaten
Ladda ned dataseten, sätt upp varje system enligt nedan och bedöm med promptarna.
Datamängder
- FinanceBench (den öppna delmängden, 150 frågor), Patronus AI, github.com/patronus-ai/financebench, licens CC BY-NC 4.0
- SECQUE, Ben Yoash m.fl., huggingface.co/datasets/nogabenyoash/SecQue, licens MIT
Används i publicerat skick. Den här sidan återger ingen fråga, inget svar och inget avsnitt ur dem.
Så konfigurerades varje system
- OpenAI File Search. Vector store med automatisk chunkning; filsökningsverktyget, 10 resultat, en sökning.
- OpenAI Direct Search. Samma vector store, genomsökt en gång med frågan, 10 resultat.
- Azure AI Search. Vektorisering via importguiden, chunkar på 2 000 tecken med 500 i överlapp, text-embedding-3-large; en hybridfråga med den semantiska rankaren, topp 10.
- Vertex AI Search. Standard edition, EU; layouttolk, chunkar på 500 tokens med överordnade rubriker; en sökning, standardrankning, frågeexpansion avstängd, topp 10.
- Hippocampus. Standardinställningar, inget justerat per test; en sökning per fråga via sök-API:t, sökversionen från 18 oktober 2026.
Så bedömdes svaren
- Samma dokument. Varje system indexerade identiska filer, låsta med kontrollsumma.
- En sökning per fråga. Frågan som den är skriven; bara OpenAI File Search låter modellen skriva sin sökfråga.
- Ett svarssteg. GPT-5.4 mini (låg resonemangsnivå), samma instruktion för varje system.
- En domare. Claude Sonnet 5, tre röster per svar; majoriteten gäller, och vid tre olika röster gäller det mittersta utlåtandet.
- Framgångsgrad. Andelen, bland de frågor som svarsmodellen får rätt när den får de rätta sidorna (taket), som varje system får rätt med sin egen sökning. Golvet är samma modell utan dokument.
Granskning av missarna
Varje svar som inte stämde med referensen, för varje system och för taket, klassades av Claude Opus 5.5 som en verklig miss, en tvetydig fråga, ett referensproblem eller rätt men mindre fullständigt. Granskningen är automatiserad och såg inte vilket system som svarade.
Promptar
Varje prompt, ordagrant. Platshållare inom vinkelparenteser fylls i per fråga; inget annat skickades. Golvet är svarsmodellen utan dokument; taket är samma modell med de rätta sidorna.
File Search är det enda system där modellen skriver sökfrågan. På FinanceBench och SECQUE skrev GPT-5.4 mini den enligt dessa instruktioner, begränsad till en sökning; dess svar kasserades sedan och ersattes av det gemensamma svarssteget.
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. Så upprepar du testet
Upprepa de juridiska resultaten
Ladda ned dataseten, sätt upp varje system enligt nedan och bedöm med promptarna.
Datamängder
- LegalBench-RAG (mini), ZeroEntropy, github.com/zeroentropy-ai/legalbenchrag, licens MIT
Används i publicerat skick. Den här sidan återger ingen fråga, inget svar och inget avsnitt ur det.
Så konfigurerades varje system
- OpenAI File Search. Vector store med automatisk chunkning; filsökningsverktyget, 10 resultat, en sökning.
- OpenAI Direct Search. Samma vector store, genomsökt en gång med frågan, 10 resultat.
- Azure AI Search. Vektorisering via importguiden, chunkar på 2 000 tecken med 500 i överlapp, text-embedding-3-large; en hybridfråga med den semantiska rankaren, topp 10.
- Vertex AI Search. Standard edition, EU; layouttolk, chunkar på 500 tokens med överordnade rubriker; en sökning, standardrankning, frågeexpansion avstängd, topp 10; citattecken borttagna ur sökfrågan (se nedan).
- Hippocampus. Standardinställningar, inget justerat per test; en sökning per fråga via sök-API:t, sökversionen från 18 oktober 2026 (LegalBench-RAG: versionen från 19 oktober, ingen mätbar skillnad).
Så bedömdes svaren
- Samma dokument. Varje system indexerade identiska filer, låsta med kontrollsumma.
- En sökning per fråga. Frågan som den är skriven; bara OpenAI File Search låter modellen skriva sin sökfråga.
- Ett svarssteg. GPT-5.4 mini (låg resonemangsnivå), samma instruktion för varje system.
- En domare. Claude Sonnet 5, tre röster per svar; majoriteten gäller, och vid tre olika röster gäller det mittersta utlåtandet.
- Framgångsgrad. Andelen, bland de frågor som svarsmodellen får rätt när den får de rätta sidorna (taket), som varje system får rätt med sin egen sökning. Golvet är samma modell utan dokument.
Granskning av missarna
Varje svar som inte stämde med referensen, för varje system och för taket, klassades av Claude Opus 5.5 som en verklig miss, en tvetydig fråga, ett referensproblem eller rätt men mindre fullständigt. Granskningen är automatiserad och såg inte vilket system som svarade.
Vertex AI Search och citattecken
Vertex AI Search läser dubbla citattecken som en operator för exakt fras. När LegalBench-RAG:s partsnamn inom citattecken skickades som de var skrivna gav 347 av dess 373 frågor med citattecken inget avsnitt, så för Vertex, och bara där, tog vi bort citattecknen ur sökfrågan. Svarssteget såg varje fråga som den var skriven.
Promptar
Varje prompt, ordagrant. Platshållare inom vinkelparenteser fylls i per fråga; inget annat skickades. Golvet är svarsmodellen utan dokument; taket är samma modell med de rätta sidorna.
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. Så upprepar du testet
Upprepa sjukvårdsresultaten
Dokumenten är publika; frågorna är det inte. Så här kördes testet och så kontrollerar du det.
Data
Tio offentliga FDA-dokument, 2 198 sidor: granskningar, förskrivningsinformation och en studiepublikation för Saxenda, Wegovy och Zepbound. Sexton frågor, var och en ställd tre gånger i oberoende konversationer: 8 lätta, 4 medelsvåra och 4 svåra, varav en kontrollfråga som dokumenten inte kan besvara, där det är korrekt att avböja.
Så konfigurerades varje system
- Hippocampus. Söker så ofta det behöver, upp till 12 gånger, med hierarkisk hämtning; det får också en översikt över samlingen, en kort sökguide och svarsinstruktioner, förfinade i tidigare körningar på dessa frågor.
- OpenAI File Search. Alla tio PDF-filerna i en vector store med standardchunkning; upp till 12 anrop och 10 resultat per anrop, inställningarna i den här utvärderingen.
- OpenAI vector store search. Samma vector store, en sökning med frågan, 10 resultat.
- PageIndex. Dokumenten indexerade av molntjänsten från PageIndex; i ett steg valde modellen upp till sex sektioner ur de tio dokumentträden och svarade utifrån dem, upp till 12 000 tecken vardera. Det här är vår anpassning av den trädsökning som PageIndex har publicerat.
- Inga dokument. Samma modell på egen hand.
GPT-5.4 mini skrev varje svar: det enda som hölls konstant.
Så bedömdes svaren
GPT-5, tre röster, majoritetsbeslut, mot frågeuppsättningens referenssvar. Att avböja kontrollfrågan räknas som korrekt. Delvis korrekta svar och avböjda besvarbara frågor ger noll poäng. Före körningarna rättades tre referenssvar mot källdokumenten, och varje system bedömdes mot samma rättade uppsättning.
Upprepning och den starkare modellen
OpenAI File Search körde hela uppsättningen två gånger med identiska inställningar och fick 38 och 34 av 48. De andra systemen kördes en gång, så skillnader på några få svar kan bero enbart på variation mellan körningar. Med Claude Opus 5 som svarsmodell besvarade samma Hippocampus-konfiguration 93 av 96 rätt över två fullständiga körningar (47 och 46 av 48); de andra systemen kördes inte med den, så den siffran är ingen jämförelse.
Kör det själv
De tio dokumenten är publika: FDA-publikationer och en referentgranskad tidskriftsartikel. Vi kan läsa in dem i en separat Hippocampus-arbetsyta, så att du kan ställa dina egna frågor till den, och till de andra systemen med dina egna konton. Frågorna och referenssvaren skrevs tillsammans med en kund och tillhör kunden; med kundens medgivande kan vi gå igenom dem och varje bedömt svar med kvalificerade parter under sekretessavtal.
- 92% framgångsgrad på FinanceBench Av de frågor som en perfekt sökning skulle lösa löser Hippocampus 92 %. Näst bäst: 77 %.
- 86% av alla FinanceBench-frågor besvarades rätt Varje fråga räknas, inget bortfiltrerat. Näst bäst: 70 %.
- 85% av beläggen i FinanceBench hittades Andel av de nödvändiga avsnitten som sökningen hittade. Näst bäst: 58 %.
Direkt jämförelse
FinanceBench: framgångsgrad per system
150 analytikerfrågor på 84 amerikanska bolagsrapporter, från Patronus AI. Varje stapel är andelen besvarbara frågor som systemet får rätt med sin egen sökning.
Läs hela rapportenFördjupning i resultaten
Vad FinanceBench visar.
Siffror, nyckeltal och bedömningar av ett bolags finanser, på 84 års-, kvartals- och händelserapporter (10-K, 10-Q, 8-K). Nära verkligt analytikerarbete: ett dokument per fråga, namngivet i frågan.
Direkt jämförelse
SECQUE: framgångsgrad per system
565 expertfrågor på 45 SEC-rapporter, från Ben Yoash m.fl. Varje stapel är andelen besvarbara frågor som systemet får rätt med sin egen sökning.
Läs hela rapportenFördjupning i resultaten
Vad SECQUE visar.
Att jämföra och beräkna nyckeltal, trender och risk på 45 SEC-rapporter. Realistiska analytikeruppgifter: svaren kräver ofta flera avsnitt och en beräkning.
- 85.7% framgångsgrad Av de frågor som en perfekt sökning skulle lösa löser Hippocampus 85,7 %. Näst bäst: 78,3 %.
- 82% av alla frågor besvarades rätt Varje fråga räknas, inget bortfiltrerat. Näst bäst: 75 %.
- 86% av beläggen hittades Andel av de nödvändiga avsnitten som sökningen hittade. Näst bäst: 75 %.
Direkt jämförelse
LegalBench-RAG: framgångsgrad per system
776 frågor på 72 avtal och integritetspolicyer, från ZeroEntropy. Varje stapel är andelen besvarbara frågor som systemet får rätt med sin egen sökning.
Läs hela rapportenFördjupning i resultaten
Vad LegalBench-RAG visar.
Sekretessavtal, fusionsavtal, kommersiella avtal och integritetspolicyer: 72 dokument, mini-urvalet av LegalBench-RAG. Nära juridiskt granskningsarbete: svaret är ett avsnitt i ett namngivet dokument bland avtal som liknar varandra.
- 100% hämtningsprecision Claude Opus 5 som svarsmodell. Ett korrekt källdokument nåddes för varje besvarbar fråga, varje upprepning.
- 97% rätt Claude Opus 5 som svarsmodell. Två fullständiga körningar av frågeuppsättningen (47 av 48 och 46 av 48), inklusive kontrollfrågan som avböjdes i alla sex upprepningarna.
- 6/6 kontrollfrågan avböjd Claude Opus 5 som svarsmodell. Tillfrågat om något som dokumenten inte kan besvara, avböjde det kontrollfrågan i alla sex upprepningarna.
Direkt jämförelse
Sjukvård: rätta svar per system
Varje system svarade via GPT-5.4 mini, samma lilla modell.
Läs hela rapportenFördjupning i resultaten
Vad FDA-benchmarken visar.
Varje system med dokumentåtkomst besvarade de flesta av dem (19 till 24 av 24), och modellen ensam besvarade hälften ur sin egen kunskap, eftersom detta är publika dokument. Uppslagningar av enstaka fakta skiljer systemen åt bara lite.
Se det på dina egna dokument.
Gratisnivå, inget kort, ingen API-nyckel. Importera ett dokument och ställ frågan som alternativen svarar fel på.