---
title: "Minds vs. GPT-5.4 und Claude Sonnet 5 bei realen Interview-Antworten"
description: "Ein verblindeter qualitativer Benchmark, der evidenzbasierte Minds mit generischem GPT-5.4 und Claude Sonnet 5 anhand zurückgehaltener menschlicher Interview-Antworten vergleicht."
canonical_url: "https://getminds.ai/research/de/minds-vs-foundation-models-qualitative-2026"
last_updated: "2026-08-13T13:07:44.828Z"
---
# Minds vs. GPT-5.4 und Claude Sonnet 5 bei realen Interview-Antworten
Was einen synthetischen Befragten wertvoll macht, ist nicht die Fähigkeit, ein plausibles Zitat zu generieren. Es ist die Fähigkeit, die Perspektive einer realen Person fortzuführen, wenn eine neue Frage gestellt wird.
Minds Research Lab hat genau das getestet. Wir haben 66 zurückgehaltene spätere Antworten von 22 realen Interviewten aus zwei unabhängigen, öffentlichen qualitativen Datensätzen verwendet. Evidenzbasierte Minds wurden mit generischem GPT-5.4, Claude Sonnet 5 und einer generischen Antwort desselben Modells verglichen.
Minds übertraf GPT-5.4 um **25.49 Gesamtpunkte** und Claude Sonnet 5 um **30.05 Punkte**. Ein zweiter verblindeter Evaluator reproduzierte beide Ergebnisse.
## Der Benchmark
Die Studie nutzte zwei unabhängig veröffentlichte, frei lizenzierte Interview-Korpora:
- [Anonymisierte Interviews über Ernährungsunsicherheit bei Flüchtlingen](https://doi.org/10.6084/m9.figshare.29318549.v1), veröffentlicht von Forschenden der University of Utah.
- [Transkripte internationaler Interviews zur Laser-Zahnmedizin](https://doi.org/10.6084/m9.figshare.28456946.v1), veröffentlicht von Forschenden der Khon Kaen University.
Für jeden Teilnehmer konnten frühere Inhalte den synthetischen Befragten informieren, während spätere Antworten für die Evaluation zurückgehalten wurden. Die Modelle erhielten dieselbe Interviewfrage und dieselbe Anweisung zum Antwortformat. Generische Foundation Models erhielten weder Teilnehmerspeicher noch -profil.
Alle Kandidaten wurden generiert, bevor die zurückgehaltenen Antworten für die Bewertung verwendet wurden. Die Zuordnungen der Kandidaten wurden randomisiert, sodass der Evaluator nicht sehen konnte, welches Modell welche Antwort erzeugt hatte.
## Ergebnisse
Kandidat
Gesamtpunktzahl
Gewinnrate
Differenz zu Minds
Minds
67.66
72.7%
-
GPT-5.4
42.17
16.7%
Minds +25.49
Claude Sonnet 5
37.61
0.0%
Minds +30.05
Generische Antwort desselben Modells
35.24
3.0%
Minds +32.42
Das teilnehmergeclusterte 95%-Konfidenzintervall lag bei **+15.99 bis +34.56** gegenüber GPT-5.4 und **+21.86 bis +38.12** gegenüber Claude Sonnet 5. Beide Interview-Korpora waren jeweils für sich genommen positiv.
Eine zweite Evaluatorversion reproduzierte Vorteile von **+26.13** und **+30.68** Punkten. Die beiden Evaluatoren stimmten bei 81.8% der einzelnen Antworten bezüglich des gewinnenden Kandidaten überein.
## Wo Minds zugewonnen hat
Das Bewertungsschema maß mehr als nur oberflächliche Sprachgewandtheit. Es verglich jeden Kandidaten mit der realen späteren Antwort der Person in folgenden Bereichen:
- Semantische Übereinstimmung
- Standpunkt und Werte
- Themen und Begründungen
- Spezifität
- Tonalität und Stil
- Passung der Länge
- Generizität
- Nicht belegte persönliche Fakten
Die größten Vorteile von Minds zeigten sich bei der semantischen Übereinstimmung, dem Standpunkt, den Begründungen, der Spezifität und einer wiedererkennbaren Tonalität. Mit anderen Worten: Minds klang nicht einfach nur geschliffener. Es bewahrte mit höherer Wahrscheinlichkeit das, was der Person wichtig war, wie sie es erklärte und welche Details sie natürlicherweise verwendete.
Der Vorteil war kein Längeneffekt. Die Antworten der Kandidaten umfassten über alle Bedingungen hinweg im Durchschnitt etwa 52 bis 60 Wörter.
## Warum sich dies vom Befehl an ChatGPT unterscheidet, sich wie eine Persona zu verhalten
Ein generisches Modell ist außergewöhnlich leistungsfähig, aber die Frage allein enthält nicht die Historie der Person. Es muss eine Antwort erzeugen, die für jemanden im Abstrakten plausibel ist.
Ein Mind ist darauf ausgelegt, einen dauerhaften Forschungsteilnehmer aufrechtzuerhalten. Es kann freigegebenes Wissen, früheren Forschungskontext und einen differenzierten Standpunkt über neue Fragen hinweg fortführen. Dadurch kann ein kleineres oder kostengünstigeres Modell ein wesentlich größeres generisches Modell übertreffen, wenn die Aufgabe davon abhängt, die Person zu kennen, anstatt die Welt zu kennen.
Das ist die zentrale Minds-Thesis in messbarer Form: **Persönlichkeitstiefe und relevanter Kontext können wichtiger sein als reine Foundation-Model-Skalierung.**
## Zusätzliche qualitative Validierung
Dasselbe breitere Forschungsprogramm testete auch:
- [PRISM](https://arxiv.org/abs/2404.16019), unter Verwendung von 299 unberührten Teilnehmern und 869 qualifizierten menschlichen Antworten zu Werthaltungen, kontroversen Themen und ungeführten Prompts.
- Die [NASA Oral History Sammlung](https://www.nasa.gov/history/history-publications-and-resources/oral-histories/nasa-list/), unter Verwendung späterer Antworten zur Überprüfung der Kontinuität in ausführlichen professionellen Interviews.
- Eine separate Sprachkohorten-Holdout-Gruppe von 21 Personen aus dem Flüchtlings-Interviewkorpus.
Über PRISM hinweg schnitten vollständige Minds-Profile etwa **10 bis 12 Punkte besser** ab als generisches und demografisches Prompting. In der separaten Sprachkohorten-Holdout-Gruppe verbesserte sich die Mind-Bedingung gegenüber generischen Antworten insgesamt um **20.77 Punkte**.
## Was das für die Kundenforschung bedeutet
Generische Foundation Models sind nützlich für das Brainstorming plausibler Reaktionen. Minds ist für einen anderen Standard konzipiert: den Erhalt differenzierter Teilnehmer über eine gesamte Studie hinweg.
Das macht Minds besonders relevant für explorative Interviews, Konzeptreaktionen, Nachrichtentests, Einwandanalysen, Research von Einkaufsgremien (Buying Committees), persona-basierte Follow-ups und die Transformation bestehender Forschungsarchive in eine interaktive Zielgruppe.
Das Ergebnis für die genannten Modelle deckt die getesteten Interviewquellen und Modellversionen ab. Minds Research Lab erweitert den Benchmark kontinuierlich über verschiedene Domänen, Sprachen und Frageformen hinweg, während der Kernvergleich stets an realen menschlichen Antworten verankert bleibt.
Für die quantitativen Belege lesen Sie [Reale Survey-Benchmarks](/research/survey-approximation-benchmarks-2026). Für das vollständige Programm lesen Sie [Minds Research Benchmark 2026](/research/real-world-validation-benchmarks-2026).
## Öffentliche Benchmark-Quellen
- [Transkripte der Utah-Interviews zu Flüchtlingen](https://doi.org/10.6084/m9.figshare.29318549.v1)
- [Transkripte zu internationaler Laser-Zahnmedizin](https://doi.org/10.6084/m9.figshare.28456946.v1)
- [PRISM Alignment Dataset](https://arxiv.org/abs/2404.16019)
- [NASA Oral Histories](https://www.nasa.gov/history/history-publications-and-resources/oral-histories/nasa-list/)
## Empfohlene Zitierweise
Minds Research Lab. “Minds vs GPT-5.4 and Claude Sonnet 5 on Real Interview Answers.” August 11, 2026. [https://getminds.ai/research/minds-vs-foundation-models-qualitative-2026](https://getminds.ai/research/minds-vs-foundation-models-qualitative-2026)