# Zwölf feste Quellenfälle mit Grok 4.3 prüfen

Synthetischer Referenzdurchlauf vom 8. September 2026. Öffentliche Referenzausgabe; kein Kundenprüferlauf.

Alle zwölf einmalig angefragten Antworten wurden vollständig zurückgegeben. Die zwölf beobachteten Labels stimmen mit den vorab festgehaltenen zwölf Referenzurteilen überein. Die begründende Agentenprüfung fand für alle Fälle einen passenden Quellen- oder Rechenbezug; bei T06 bleibt eine sprachliche Unschärfe dokumentiert.

| Fall | Referenzlabel | Beobachtetes Label | Quellenprüfung |
|---|---|---|---|
| T01 | KEIN_FEHLER | KEIN_FEHLER | R1 und 12.000 minus 9.000 einschließlich ausgeschlossener weiterer Bindungen korrekt verwendet. |
| T02 | FEHLER | FEHLER | Falsche Restbudgetableitung korrekt benannt; 3.000 EUR ausdrücklich vorgerechnet. |
| T03 | KEIN_FEHLER | KEIN_FEHLER | Die definierte Fangquote 12 von 20 und 60 Prozent korrekt zugeordnet. |
| T04 | FEHLER | FEHLER | Definition 12/20 von der Rechnung 12/15 getrennt. Die Antwort nennt den Begriffswechsel und verwirft nicht stillschweigend die arithmetisch richtige Teilrechnung. |
| T05 | KEIN_FEHLER | KEIN_FEHLER | Die fehlende Freigabeinformation korrekt als durch R3 belegte Unbestimmbarkeit eingeordnet. |
| T06 | FEHLER | FEHLER | Unbelegte Zuschreibung korrekt benannt und R3 zitiert. Die Formulierung genau das Gegenteil ist unpräzise; sie wird hier nicht in einen Beleg einer verweigerten Freigabe umgedeutet. |
| T07 | KEIN_FEHLER | KEIN_FEHLER | Das Freigabedatum 7. April aus R4 korrekt verwendet. |
| T08 | FEHLER | FEHLER | Vorschlagsdatum und Freigabedatum anhand R4 unterschieden. |
| T09 | KEIN_FEHLER | KEIN_FEHLER | Keine Personennamen anhand R5 korrekt erkannt. |
| T10 | FEHLER | FEHLER | Direkten Widerspruch zu R5 korrekt benannt. |
| T11 | KEIN_FEHLER | KEIN_FEHLER | Die Umrechnung 2,5 mal 1.000 gleich 2.500 korrekt angegeben. |
| T12 | FEHLER | FEHLER | Die fehlerhafte Umrechnung durch 2.500 gegenüber 250 Gramm korrekt begründet. |

## Durchführung und vollständiger Nachweis

Verwendet wurde x-ai/grok-4.3 über den regulären OpenRouter-Endpunkt. Je Fall gab es einen frischen Kontext mit genau dem vorhandenen Prüfauftrag, der zugeordneten Referenz und dem unveränderten Falltext. Lösungsschlüssel, Fehlerklassen und Kontrollverteilung wurden nicht an das Modell übergeben. Eingaben, Schlüssel und Auswertungsregel wurden vor dem ersten Aufruf eingefroren.

Die Konfiguration war temperature 0, reasoning effort low und höchstens 1.024 Ausgabetokens pro Fall. Höchstens vier Anfragen liefen parallel. Jeder Fall hatte einen einmaligen Startschutz; Wiederholungen, Nachprompts und Anbieterwechsel fanden nicht statt. Sämtliche zwölf Antworten endeten mit stop; es gab keine fehlenden Labels, Ablehnungen oder abgeschnittenen Antworten.

Der konservative vorab berechnete Rahmen betrug 0.0432575 USD bei einem Startlimit von 0,05 USD. Die zwölf vom Anbieter gemeldeten Kosten ergeben **0.017429 USD**. Das ist der gemeldete Betrag dieses Durchlaufs und keine Kundenvergütung.

Das [Versuchsdesign](02_versuchsdesign.json) enthält alle tatsächlich verwendeten Eingabetexte, Quellen, Parameter und den Einfriervermerk. Die [Referenzurteile](03_referenzurteile.json) bleiben davon getrennt. Die [Antwortdatei](04_antworten.json) enthält alle unveränderten Antworttexte mit Zeitpunkten, Modell-/Providerangaben, Status und Tokenverbrauch. Die [Bewertung](05_bewertung.json) verbindet jede Einordnung mit dem vorher festgelegten Schlüssel und dem Befund der Begründungsprüfung.

## Grenzen und nächster sinnvoller Schritt

Die zwölf gezielt konstruierten Fälle sind keine Stichprobe aus einem Kundenbetrieb. Die sechs Fehler- und sechs fehlerfreien Referenzen wurden redaktionell vorgegeben. Ein einziger Durchlauf belegt weder allgemeine Genauigkeit noch Stabilität, Marktneuheit oder eine Wirkung beim Kunden. Der Dienstname benennt das tatsächlich angefragte Modell; die Antwortmetadaten ersetzen keinen Nachweis eines unveränderlichen Modellgewichtsstands.

Die Aufgabe prüft Quellentreue und Rechnen aus der vorgelegten Akte. T06 nennt die unbelegte Zuschreibung korrekt, verwendet aber die Formulierung genau das Gegenteil. Ein späteres Prüfprotokoll sollte diese Stelle enger als fehlenden Beleg ausdrücken. Der geloggte Modelltext wurde nicht nachträglich verbessert.

Ein kundenspezifischer Befund erfordert eine separat festgehaltene Kundenkonfiguration und deren Aufgaben. Eine Wiederholung wäre ein neuer, gesondert begrenzter Versuch; sie ist für diesen einmaligen Referenzdurchlauf nicht ausgeführt. Diese öffentliche Ausgabe erhält die genannten Aussagegrenzen und enthält keine zusätzlichen Leistungsbehauptungen.