KI-Halluzinationen nach Modell: Was Ranglisten wirklich messen

Der Vergleich von KI-Halluzinationen verschiedener Modelle liefert je nach Test unterschiedliche Antworten. Am 1. November 2026 verzeichnet Googles Gemini 4 Argon im Wissenstest von Artificial Analysis die niedrigste Halluzinationsrate (4%), liegt aber auf der Rangliste von Vectara zur Dokumentenzusammenfassung unter den vier großen Spitzenmodellen bei Halluzinationen vorn (12.1%).

Eine KI-Halluzination ist eine selbstsicher vorgetragene Aussage eines Modells, die sachlich falsch ist oder im Quelltext fehlt. Die Halluzinationsrate bezeichnet je nach Test den Anteil der Ausgaben oder der nicht beantworteten und verfehlten Fragen, bei denen das Modell Fakten erfindet, statt sich auf eine Grundlage zu stützen oder einzugestehen, dass es etwas nicht weiß.

KI-Halluzinationen nach Modell: die Zahlen für 2026 im Überblick

Die aktuellen Halluzinationsraten nach Modell unterscheiden sich stark zwischen dokumentengestützten Tests und Wissenstests ohne Hilfsmittel. Am 1. November 2026 ordnen die beiden meistzitierten öffentlichen Ranglisten – Vectaras Hallucination Leaderboard (zuletzt aktualisiert am 22. Oktober 2026) und AA-Omniscience v1.1 von Artificial Analysis (gestartet im Oktober 2026, geprüft am 1. November 2026) – dieselben Spitzenmodelle nahezu entgegengesetzt ein.

Modell	Vectara Halluzinationsrate (22. Okt. 2026)	AA-Omniscience v1.1 Halluzinationsrate	AA-Omniscience v1.1 Genauigkeit
GPT-6 Astra	8.7%	49.8% (Max)	61.6%
GPT-6 Sol / GPT-6.1 Sol*	6.5% (GPT-6 Sol)	51.9% (GPT-6.1 Sol, Max)	61.8% (GPT-6.1 Sol)
Claude Opus 5.5	9.9%	50.3% (Max)	65.5%
Claude Sonnet 5.5	Nicht getestet	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	Nicht erfasst
Grok 4.7	Nicht getestet	20.0% (Xhigh)	42.7%

Hinweis: Vectaras Rangliste vom 22. Oktober 2026 testet OpenAIs GPT-6 Sol, während AA-Omniscience v1.1 das neuere GPT-6.1 Sol testet. Es handelt sich um verschiedene Modellversionen, die nicht direkt eins zu eins vergleichbar sind.

Ein Blick auf beide Spalten erklärt, warum Schlagzeilen so verwirrend sind. Bei Vectara liegen GPT-6 Sol (6.5%) und GPT-6 Astra (8.7%) vor Claude Opus 5.5 (9.9%) und Gemini 4 Argon (12.1%). Bei Artificial Analysis steht Gemini 4 Argon bei 4% und Grok 4.7 bei 20.0%, während GPT-6 Astra (49.8%) und Claude Opus 5.5 (50.3%) nahe bei 50% liegen.

Keine der beiden Ranglisten ist fehlerhaft. Sie messen zwei völlig verschiedene Aufgaben.

Was misst die Halluzinationsrangliste von Vectara?

Die Halluzinationsrangliste von Vectara misst, ob ein Modell einem Referenzdokument treu bleibt, das es zusammenfassen soll. Im Update vom 22. Oktober 2026 fordert Vectara jedes Modell – nach Möglichkeit bei Temperatur 0 – auf, Artikel „nur anhand der im Dokument dargestellten Fakten“ zusammenzufassen.

Zur Bewertung nutzt Vectara sein kommerzielles Halluzinationsbewertungsmodell HHEM-2.3 auf einem privaten Datensatz von über 7,700 Artikeln mit jeweils 50 bis 24,000 Wörtern aus Nachrichten, Technologie, Wissenschaft, Medizin, Recht, Sport, Wirtschaft und Bildung. Die Geheimhaltung der Artikel verhindert, dass Entwickler Modelle gezielt auf den Test trainieren.

Vectara veröffentlicht für jedes Modell zwei Werte:

• Halluzinationsrate: der Anteil der Zusammenfassungen, die sachlich nicht mit dem Quelldokument übereinstimmen.
• Antwortrate: wie oft das Modell der Zusammenfassung zustimmte, statt sie zu verweigern.

Laut Vectara lassen sich Halluzinationen nur mit einem vorliegenden Referenztext zuverlässig beurteilen. Der Test dient daher als Näherung für Retrieval-Augmented Generation (RAG) und Agenten-Pipelines, die Suchergebnisse zusammenfassen. Am 22. Oktober 2026 gehört der niedrigste Wert der gesamten Rangliste antgroup/finix_s1_32b mit 1.8% (99.5% Antwortrate). Unter bekannten Modellen erreicht xAIs älteres Grok 3 5.8% (allerdings bei niedrigeren 93.0% Antwortrate), GPT-6 Sol 6.5% (100% Antwortrate) und GPT-6 Astra 8.7% (100% Antwortrate). Am schwächeren Ende der aufgeführten Modelle erreicht xAIs grok-4-1-fast 17.8% im Modus ohne Reasoning (98.5% Antwortrate) und 19.2% im Reasoning-Modus (99.7% Antwortrate), während OpenAIs o3-pro bei 23.3% liegt (100% Antwortrate). Am 22. Oktober 2026 stehen GPT-6.1 Sol, Claude Sonnet 5.5, Claude Haiku 5.5 und Grok 4.7 nicht auf Vectaras Rangliste.

Wenn Sie bei der täglichen Arbeit ein PDF, einen Vertrag oder ein Besprechungsprotokoll in ein KI-Tool einfügen und um eine Zusammenfassung bitten, entspricht Vectaras Test Ihrem Arbeitsablauf.

Was misst AA-Omniscience?

AA-Omniscience v1.1 von Artificial Analysis misst, ob ein Modell Fakten aus dem Gedächtnis kennt und zugibt, wenn es etwas nicht weiß. Anders als Vectara liefert AA-Omniscience keine Referenzdokumente: Es ist eine Prüfung ohne Hilfsmittel mit 3,000 Fragen aus sechs Bereichen, die im Oktober 2026 aus einem früheren v1-Satz mit 6,000 Fragen aktualisiert wurde.

Der Test wird in der Arbeit AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models von Jackson, Keating, Cameron und Hill-Smith beschrieben. Artificial Analysis meldet für jedes Modell drei Hauptkennzahlen sowie die Bearbeitungsrate:

• Genauigkeit: richtige Antworten geteilt durch alle 3,000 Fragen.
• Halluzinationsrate: falsche Antworten geteilt durch alle Fragen, die das Modell nicht richtig beantwortet hat (falsch + teilweise + nicht bearbeitet). Einfach gesagt: Wie oft bluffte das Modell bei nicht richtig beantworteten Fragen mit einer falschen Antwort, statt „Ich weiß es nicht“ zu sagen?
• Nettowert (AA-Omniscience Index): eine Skala von −100 bis 100, die richtige Antworten belohnt, falsche bestraft und die Verweigerung einer Antwort nicht bestraft. Ein Wert von 0 bedeutet, dass das Modell ebenso viele richtige wie falsche Antworten gab.

Aufgrund dieses Nenners bedeutet eine Halluzinationsrate von 50% bei AA-Omniscience nicht, dass das Modell in der Hälfte der Fälle falsch liegt. Nehmen wir Claude Opus 5.5 (Max) am 1. November 2026: Es beantwortet 65.5% aller Fragen richtig. Bei den übrigen, nicht richtig beantworteten Fragen blufft es in 50.3% der Fälle mit einer falschen Antwort, statt sich zu enthalten; das ergibt einen Nettowert von 48.1.

So sieht eine größere Auswahl an Modellen bei AA-Omniscience v1.1 am 1. November 2026 aus:

Modell (AA-Einstellung)	Nettowert	Genauigkeit	Halluzinationsrate	Bearbeitungsrate
Gemini 4 Carbon (High)*	53.5	58.3%	11.4%	64.3%
Claude Opus 5.5 (Max)	48.1	65.5%	50.3%	86.7%
Claude Fable 5.1 (Max)	46.3	68.4%	70.0%	93.7%
Gemini 4 Argon (High)	46	Nicht erfasst	4%	Nicht erfasst
GPT-6 Astra (Max)	42.4	61.6%	49.8%	82.4%
GPT-6.1 Sol (Max)	42.0	61.8%	51.9%	83.5%
Grok 4.7 (Xhigh)	31.2	42.7%	20.0%	55.7%
Claude Sonnet 5.5 (Max)	30.5	51.5%	43.3%	76.3%
GPT-6.1 Terra (Max)	29.6	47.6%	34.5%	68.4%
Gemini 3.8 Flash (High)	23.3	50.5%	55.1%	80.6%
Claude Haiku 5.5 (Max)	12.3	34.7%	34.2%	60.0%
MiniMax-M3.1-Flash	−6.4	45.1%	93.7%	98.7%
GPT-6 Luna (Max)	−8.3	39.6%	79.3%	90.4%

Hinweis: Als diese Zahlen am 1. November 2026 erfasst wurden, war Gemini 4 Carbon nur über Googles Fairwind Program verfügbar. Seit dem 10. November 2026 ist es allgemein über die Gemini API verfügbar; siehe unseren Leitfaden zu Gemini 4 Carbon.

Wenn Sie eine Faktenfrage direkt in einen Chatbot eingeben, ohne Quellenmaterial einzufügen oder die Websuche einzuschalten, zeigt AA-Omniscience das Risiko, das Sie eingehen.

Warum widersprechen sich LLM-Halluzinationsranglisten?

LLM-Halluzinationsranglisten ordnen dieselben Modelle unterschiedlich ein, weil sie verschiedene Fehlertypen testen und unterschiedlich rechnen. Gemini 4 Argon ist das deutlichste Beispiel: Am 1. November 2026 hat es unter den Spitzenmodellen bei AA-Omniscience v1.1 die niedrigste Halluzinationsrate (4%), aber unter den vier bei Vectara getesteten Spitzenmodellen die höchste (12.1%, hinter GPT-6 Sol mit 6.5%, GPT-6 Astra mit 8.7% und Claude Opus 5.5 mit 9.9%).

Drei Faktoren erklären diesen Unterschied:

1. Quellenbindung gegenüber Kalibrierung

Vectara testet Quellenbindung: Kann das Modell ein vorliegendes Dokument zusammenfassen, ohne externe Details einzuflechten oder einen Satz zu verzerren? AA-Omniscience testet Kalibrierung: Hält sich das Modell zurück oder rät es, wenn es einen Fakt nicht aus dem Gedächtnis kennt? Ein Modell kann darauf trainiert sein, bei Fragen zu unbekannten Fakten höflich zu passen (und bei AA-Omniscience gut abzuschneiden), aber beim Zusammenfassen eines Artikels dennoch ausschmücken oder ungenau paraphrasieren (und bei Vectara schlechter abschneiden).

2. Unterschiedliche Nenner

Vectara teilt inkonsistente Zusammenfassungen durch alle vom Modell verfassten Zusammenfassungen. AA-Omniscience teilt falsche Antworten nur durch die Fragen, die das Modell nicht richtig beantwortet hat. Da die Nenner völlig verschieden sind, lassen sich 8.7% bei Vectara nicht mit 49.8% bei AA-Omniscience vergleichen.

3. Der Kompromiss zwischen Vorsicht und Risikobereitschaft

Bei den Bearbeitungsraten von AA-Omniscience v1.1 fällt ein klares Muster auf: Modelle, die fast jede Frage bearbeiten, bluffen bei den verfehlten Fragen auch häufiger. Anthropics teuerstes Modell Claude Fable 5.1 (Max) erzielt mit 68.4% die höchste Genauigkeit der Rangliste bei einer Bearbeitungsrate von 93.7% – und bei den nicht richtig beantworteten Fragen geht diese hohe Bearbeitungsrate mit einer Halluzinationsrate von 70.0% einher. Andere Modelle mit hoher Bearbeitungsrate zeigen dasselbe Muster bei geringerer Genauigkeit: GPT-6 Luna (Max) bearbeitet 90.4% der Fragen, beantwortet 39.6% richtig, blufft bei 79.3% der verfehlten Fragen und erreicht einen Nettowert von −8.3. MiniMax-M3.1-Flash bearbeitet 98.7% der Fragen, beantwortet 45.1% richtig und erzielt eine Halluzinationsrate von 93.7% (−6.4 Nettowert).

Umgekehrt halten Modelle, die häufiger ablehnen, ihre Halluzinationsraten niedrig, beantworten insgesamt aber weniger Fragen als die genauesten Modelle. Grok 4.7 (Xhigh) bearbeitet 55.7% des Tests und erreicht 20.0% Halluzinationsrate bei 42.7% Genauigkeit. Gemini 4 Carbon (High) bearbeitet 64.3% der Fragen und kombiniert 58.3% Genauigkeit mit 11.4% Halluzinationsrate zum höchsten Nettowert der Rangliste von 53.5.

Warum gibt es unterschiedliche Zahlen für dasselbe Modell?

Widersprüchliche Halluzinationszahlen für dasselbe Modell entstehen meist durch Benchmark-Updates und unterschiedliche Testdaten. Wenn Sie die KI-Modellveröffentlichungen im Herbst 2026 verfolgt haben, haben Sie vielleicht einen viel geteilten Bericht von The Next Web vom 2. Oktober 2026 gesehen: Gemini 4 Argon habe bei AA-Omniscience eine Halluzinationsrate von 15% gegenüber 51% für GPT-6 Astra und 54% für GPT-6.1 Sol, während es 50% der Antworten richtig gab gegenüber 63% bei Astra.

Einige Wochen später, am 1. November 2026, führt Artificial Analysis Argon (High) mit 4%, GPT-6 Astra (Max) mit 49.8% (bei 61.6% Genauigkeit) und GPT-6.1 Sol (Max) mit 51.9% (bei 61.8% Genauigkeit).

Ein Teil des Unterschieds liegt am Benchmark-Update: Im Oktober 2026 wechselte Artificial Analysis bei AA-Omniscience von v1 (6,000 Fragen) zu v1.1 (3,000 Fragen) und entfernte gesättigte Fragen. Wie Artificial Analysis auf seiner Bewertungsseite anmerkt, schneiden die meisten Modelle bei v1.1 schlechter ab; dies spiegelt die Änderung des Datensatzes wider, keine Verschlechterung der Modelle. Zudem fanden die Tests vom 2. Oktober während Argons Frühzugangsphase statt, als Google das Modell vor der breiteren Veröffentlichung nur einer kleinen Gruppe von Cyberverteidigern zugänglich gemacht hatte. Über Datensatzänderung und Zeitpunkt hinaus erläutert Artificial Analysis die genauen Gründe einzelner Wertänderungen nicht. Prüfen Sie daher am besten immer Benchmark-Version und Datum einer Zahl.

Wenn Sie eine Schlagzeile lesen, die einem Modell eine bestimmte Halluzinationsrate zuschreibt, prüfen Sie vor dem Vertrauen vier Punkte:

1. Welcher Test ist es? Quellengestützte Zusammenfassung (wie bei Vectara) und Faktenabruf ohne Hilfsmittel (wie bei AA-Omniscience) sind nicht austauschbar.
2. Welche Benchmark-Version und welches Datum? Ein Wert von AA-Omniscience v1 von Anfang Oktober 2026 ist nicht direkt mit einem v1.1-Wert vom 1. November 2026 vergleichbar.
3. Welche Modellversion und Einstellung? GPT-6 Sol und GPT-6.1 Sol sind verschiedene Versionen; AA kennzeichnet außerdem Reasoning-Aufwand oder Stufeneinstellungen wie (Max), (High) oder (Xhigh).
4. Was ist der Nenner? Prüfen Sie, ob sich der Prozentsatz auf alle Prompts oder nur auf diejenigen bezieht, die das Modell nicht richtig beantwortet hat.

Halluziniert Claude weniger als ChatGPT?

Beim Vergleich der reinen Modelle am 1. November 2026 halluzinieren Anthropics Claude Opus 5.5 und OpenAIs GPT-6 Astra nahezu gleich häufig; keines liegt klar vorn.

Auf Vectaras Zusammenfassungsrangliste vom 22. Oktober 2026 hat OpenAI einen leichten Vorteil: GPT-6 Astra halluziniert bei 8.7% der Zusammenfassungen und GPT-6 Sol bei 6.5%, gegenüber 9.9% bei Claude Opus 5.5.

Bei AA-Omniscience v1.1 (geprüft am 1. November 2026) liegen die beiden Spitzenmodelle bei der Halluzinationsrate praktisch gleichauf – 50.3% für Claude Opus 5.5 (Max) gegenüber 49.8% für GPT-6 Astra (Max) und 51.9% für GPT-6.1 Sol (Max). Claude Opus 5.5 beantwortet jedoch mehr Fragen richtig (65.5% Genauigkeit gegenüber 61.6% für Astra und 61.8% für 6.1 Sol), wodurch Opus 5.5 einen höheren Nettowert erreicht (48.1 gegenüber 42.4 und 42.0).

Bei den kleineren Stufen von AA-Omniscience v1.1 wächst der Abstand zugunsten von Anthropic: Claude Sonnet 5.5 (Max) erreicht 43.3% Halluzinationsrate (51.5% Genauigkeit) und Claude Haiku 5.5 (Max) 34.2% (34.7% Genauigkeit, 60.0% Bearbeitungsrate), während OpenAIs für hohe Nutzung ausgelegtes GPT-6 Luna (Max) bei 79.3% der verfehlten Fragen blufft.

Eine wichtige Einschränkung für den Alltag: „Claude“ und „ChatGPT“ sind Verbraucher-Apps, während Ranglisten reine API-Modelle testen. Bei der Arbeit mit der ChatGPT- oder Claude-App können Funktionen wie die integrierte Websuche das Ergebnis verändern, indem sie aktuelle Quellen in den Prompt einbringen.

Was der Stanford AI Index 2026 ergänzt – und welcher Prompt-Fehler die Genauigkeit einbrechen lässt

Der 2026 AI Index Report von Stanford HAI (Kapitel 3, Responsible AI) setzt diese Zahlen in einen größeren Zusammenhang. Bei der Betrachtung früherer Modellgenerationen über beide Benchmarks hinweg stellte Stanford fest, dass die besten 15 Modelle auf Vectaras HHEM-Rangliste zwischen 1.8% und 5.4% lagen (die meisten zwischen 4% und 5%), während 26 auf AA-Omniscience v1 mit 6,000 Fragen getestete Modelle zwischen 22% und 94% lagen – mit Grok 4.20 Beta 0305 als niedrigstem bei 22% und Claude 4.5 Haiku bei 26%, während gpt-oss-20B (high) 94% und Gemini 3 Flash 92% erreichten. Stanford fasste die AA-Kennzahl so zusammen: „Eine niedrigere Halluzinationsrate bedeutet, dass das Modell mehr weiß oder besser erkennt, wann es unsicher ist.“

Stanford wies auch darauf hin, dass die Berichterstattung von Modellentwicklern über Benchmarks für verantwortungsvolle KI weiterhin spärlich ist, während die dokumentierten KI-Vorfälle in der AI Incident Database von 233 im Jahr 2024 auf 362 im Jahr 2025 stiegen.

Für alle, die KI bei der Arbeit nutzen, ist die praktischste Erkenntnis des Stanford-Kapitels kein Ranglistenwert, sondern wie schwer es Modellen fällt, objektives Wissen von der Überzeugung eines Nutzers zu trennen. Als Forschende eine falsche Aussage im Prompt als Überzeugung des Nutzers formulierten, brach die sachliche Genauigkeit ein:

• GPT-4o fiel von 98.2% auf 64.4% Genauigkeit.
• DeepSeek R1 stürzte von über 90% auf 14.4% Genauigkeit.

Anders gesagt: Selbst ein Modell, das den richtigen Fakt kennt, verwirft ihn häufig und bestätigt Ihre falsche Prämisse, wenn Sie es in diese Richtung lenken.

Was ich tatsächlich tun würde

Wenn Sie sich bei echter Arbeit auf diese Tools verlassen, müssen Sie sich nicht jede Dezimalstelle einer Grafik merken. So würde ich diese Erkenntnisse in tägliche Gewohnheiten umsetzen:

1. Wählen Sie die Rangliste passend zur Aufgabe. Wenn Sie eine RAG-Pipeline bauen oder eigene PDFs zusammenfassen, achten Sie auf Vectaras Zahlen, wo GPT-6 Sol (6.5%), GPT-6 Astra (8.7%) und Claude Opus 5.5 (9.9%) alle vor Gemini 4 Argon (12.1%) liegen. Stellen Sie Faktenfragen ohne Hilfsmittel und möchten ein Modell, das Unwissen zugibt, ist Argon (4% bei AA v1.1) beim Raten viel zurückhaltender als Astra (49.8%) oder Opus 5.5 (50.3%). Für eine umfassendere Wahl der passenden Stufe nutzen Sie unseren Leitfaden zur Auswahl eines KI-Modells.
2. Schalten Sie die Websuche ein oder stellen Sie das Dokument bereit. Wenn Sie dem Modell den Quelltext geben oder Ihre Chat-App im Web suchen lassen, wird aus einer Gedächtnisfrage ohne Hilfsmittel eine quellengebundene Aufgabe, wie sie Vectara-Tests messen. Zudem erhalten Sie ein Referenzdokument, anhand dessen Sie die Antwort prüfen können.
3. Erlauben Sie dem Modell ausdrücklich, sich zu enthalten. Mehrere Spitzenmodelle bei AA-Omniscience bearbeiten mehr als 80% der Fragen und bluffen bei ungefähr der Hälfte ihrer verfehlten Fragen. Ergänzen Sie Ihren Prompt um einen Satz: „Wenn Sie nicht sicher sind oder die Antwort nicht im bereitgestellten Text steht, sagen Sie ‚Ich weiß es nicht‘, statt zu raten.“
4. Beginnen Sie den Prompt nie mit Ihrer eigenen Annahme. Denken Sie an Stanfords Erkenntnis zu Wissen und Überzeugung. Fragen Sie nicht: „Ich glaube, dieser Vertrag erlaubt eine Kündigungsfrist von 60 Tagen, richtig?“ Fragen Sie: „Was sagt Abschnitt 8 über Kündigungsfristen?“ Neutrale Fragen verhindern, dass das Modell Ihrer Vermutung nachgibt.
5. Prüfen Sie alles, was Folgen haben kann. Kein Modell auf beiden Ranglisten liegt bei 0%. Bevor Sie einem Kunden oder Vorgesetzten eine Statistik, ein Rechtszitat oder eine medizinische Behauptung vorlegen, nutzen Sie unsere Checkliste zur Faktenprüfung von KI-Antworten.

FAQ

Welches KI-Modell halluziniert am meisten?

Welches Modell am meisten halluziniert, hängt vom Benchmark ab. Bei AA-Omniscience v1.1 (geprüft am 1. November 2026) bluffen MiniMax-M3.1-Flash (93.7%) und OpenAIs kleines GPT-6 Luna (79.3%) am häufigsten bei verfehlten Fragen, während Claude Fable 5.1 (70.0%) unter den Spitzenmodellen am höchsten liegt. Auf Vectaras Zusammenfassungsrangliste vom 22. Oktober 2026 stehen OpenAIs o3-pro (23.3%) und xAIs grok-4-1-fast im Reasoning-Modus (19.2%) und ohne Reasoning (17.8%) nahe dem Ende der aufgeführten Einträge.

Wie stark halluzinieren KI-Modelle?

Das hängt davon ab, ob Sie Quelldokumente bereitstellen. Bei quellengestützten Zusammenfassungen (Vectara, 22. Oktober 2026) reicht die Rangliste von 1.8% bis 24.2%, und die vier aktuellen Spitzenmodelle liegen zwischen 6.5% und 12.1%. Bei Faktenfragen ohne Hilfsmittel (AA-Omniscience v1.1) bluffen viele Spitzenmodelle ungefähr in der Hälfte der Fälle, wenn sie eine Antwort nicht wissen (GPT-6 Astra 49.8%, Claude Opus 5.5 50.3%, GPT-6.1 Sol 51.9%).

Halluziniert Claude weniger als ChatGPT?

Im direkten Modellvergleich liegen Claude und GPT-6 am 1. November 2026 fast gleichauf. In Vectaras Zusammenfassungstest vom 22. Oktober 2026 schlägt GPT-6 Astra (8.7%) Claude Opus 5.5 (9.9%) knapp. Bei AA-Omniscience v1.1 liegen Opus 5.5 (50.3%) und Astra (49.8%) bei der Halluzinationsrate gleichauf, obwohl Opus 5.5 insgesamt mehr Antworten richtig gibt (65.5% gegenüber 61.6%). Bei kleineren Stufen blufft Claude Haiku 5.5 (34.2%) weit weniger als GPT-6 Luna (79.3%).

Wie hoch ist die Halluzinationsrate von Grok?

Am 1. November 2026 erreicht xAIs Grok 4.7 (Xhigh) bei AA-Omniscience v1.1 eine Halluzinationsrate von 20.0%, bei 42.7% Genauigkeit und einer vorsichtigen Bearbeitungsrate von 55.7%. Grok 4.7 ist am 22. Oktober 2026 bei Vectara nicht aufgeführt; dort erreichten ältere xAI-Modelle 5.8% (grok-3), 17.8% (grok-4-1-fast ohne Reasoning) und 19.2% (grok-4-1-fast mit Reasoning). Zuvor verzeichnete Stanfords 2026 AI Index Grok 4.20 Beta 0305 mit 22% als niedrigstes von 26 Modellen bei AA-Omniscience v1.

Zahlen zuletzt geprüft am 1. November 2026. Nächste Prüfung: 30. November 2026.

Quellen

• Vectara, Hallucination Leaderboard (aktualisiert am 22. Oktober 2026) und interaktive Rangliste auf Hugging Face
• Artificial Analysis, AA-Omniscience Evaluation, v1.1 (geprüft am 1. November 2026), und Jackson, Keating, Cameron und Hill-Smith, AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web, Bericht zur Halluzinationsrate von Gemini 4 Argon bei Artificial Analysis gegenüber GPT-6 Astra, 2. Oktober 2026
• Stanford HAI, 2026 AI Index Report — Kapitel 3: Responsible AI und Kapitel 3 als PDF