Auf den Punkt: Claude 3.5 zeigt in Hebbias Finance-Benchmark 20 Prozent Genauigkeitszuwachs bei der Finanzanalyse und präziserer Quellenattribution, was für institutionelle Finanzdiligence kritisch ist.
Hebbia, ein KI-System für institutionelle Finanzdiligence, hat Claude 3.5 gegen seine finance-spezifische Benchmark getestet und erreichte dabei die höchsten Genauigkeitswerte seit Bestehen des Unternehmens. Bei der Frage-Antwort-Analyse über Finanzdokumente erzielte das Modell einen 20-prozentigen relativen Genauigkeitsgewinn gegenüber dem Vorgänger.
Hebbia bedient mehr als ein Drittel der Top-50-Vermögensverwalter sowie Tier-1-Investmentbanken und Kanzleien. In diesem Umfeld treffen Kunden Entscheidungen auf Grundlage von Analysen über tausende dichter Dokumente, wo eine falsche Zahl das Ergebnis eines gesamten Deals verändern kann. Die Plattform kombiniert Meta-Prompting mit Claude-Modellen, um natürlichsprachige Anfragen in strukturierte Analysen über hunderte von Dokumenten zu übersetzen. Jedes Ergebnis landet in einer eigenen Zelle in Hebbias Matrix, was vollständige Transparenz, Nachverfolgbarkeit und Steuerbarkeit ermöglicht.
Hebbias Applied-AI-Research-Team unter Leitung von Adithya Ramanathan testet jedes neue Modell systematisch gegen eine selbstentwickelte, bewusst streng kalibrierte Finance-Benchmark. Das Team führt dabei Head-to-Head-Vergleiche durch, bei denen neue Modelle gegen die sie ersetzen würden antreten. Forscher Joe Renner führt diese Tests durch, darunter Frage-Antwort- und Zitat-Finde-Tests über Finanzdokumente sowie Agent-Läufe mit den im Chat-Produkt verfügbaren Tools. Diese simulieren die offene, multi-quellen Analyse, die Kunden tatsächlich durchführen.
Claude 3.5 erzielte auf beiden Test-Kategorien die bisher höchsten Werte. Bei der Frage-Antwort- und Zitat-Analyse erreichte das Modell etwa 20 Prozent relativen Genauigkeitszuwachs bei Finanzdokumenten gegenüber Claude 3 Opus. Die Zitat-Übereinstimmung blieb stabil, was darauf hindeutet, dass der Gewinn aus verbessertem Verständnis der gefundenen Evidenz stammt. Renner beobachtete, dass das Modell dabei deutlich sichtbar wurde: Sie hielt jeden Teil einer mehrteiligen Anfrage gleichzeitig im Blick, triggerte eigenständig Sub-Agenten und Tools, um die richtigen Fakten zu abrufen, und verankerte jede Aussage in der Quelle statt sie abzuleiten.
Das Kernergebnis liegt in zwei fundamentalen Capabilities: der Fähigkeit, relevante Informationen aus dichten Datensätzen zu finden, und diese dann korrekt zu synthetisieren. Diese Model-Eigenschaften haben massive Auswirkungen auf Finance- und Research-Workflows, wo Kunden Investment-Entscheidungen im großen Maßstab auf Grundlage der in Hebbia generierten Analysen treffen.
Quelle: claude.com · Erschienen 12. Juli 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.7.3.