poolside/laguna-s-2.1
poolside
118B
· 8B active
gguf / Q4_K_M
ctx 256k
released 2026-07-21
coding
all models in this bench →Score
86%
Static
100%
Functional
100%
Qualitative
82%
Worum geht es? Was wird getestet?
Task: From a ~200-word prompt the model must generate a fully functional Kanban board as a single-file HTML with drag & drop, localStorage persistence, edit/delete and a confetti animation — in a single chat without iteration. The prompt also includes a small `data-testid` contract so a Playwright test can drive the app remotely.
Three signals feed into the score:
(1) Static — a linter checks concrete constraints in the HTML (columns, Tailwind, localStorage call, no framework, no window.alert/prompt, …).
(2) Functional — Playwright runs a small CRUD sequence: create a card, delete a card with confirmation, reload — does state persist? — and checks whether any JS console errors occur during the entire flow. Drag & drop and confetti are deliberately not tested functionally (too many implementation variants).
(3) Qualitative — LLM-as-judge rates screenshot and code (visual + code quality + render↔code consistency).
Score = mean over the available signals.
Why models fail: reasoning models burn their tokens in thinking instead of writing. Sliding-window models (Gemma 4) lose the constraints at the start of the prompt. Small models (<3B) often fail to produce coherent HTML — or ignore the data-testid contract, which makes the functional tests fail in droves.
Prompt
System prompt
You are a careful front-end engineer.
Developer prompt
Create a fully functional Kanban board in a single HTML file using vanilla JavaScript (no frameworks like react). Requirements: - Columns: Backlog, In Progress, Review, Done. - Cards must be: - draggable across columns, - editable in place, - persisted in localStorage (state survives reloads) - please use your own namespace, - deletable with a confirmation prompt. - Each column provides an "Add card" action. - Style with Tailwind via CDN. - Add subtle CSS transitions and trigger a confetti animation when a card moves to "Done". - Thoroughly comment the code. - dont use window.alert or window.prompt to add/edit/delete cards - if there are no cards yet, create some dummy cards - modern and vibrant design Stable test selectors (mandatory — these data-testid attributes are used by an automated functional test; do not omit, rename, or split them across multiple elements): - Column containers: data-testid="column-backlog", data-testid="column-in-progress", data-testid="column-review", data-testid="column-done". - Every "Add card" button (one per column): data-testid="add-card". - Every card element: data-testid="card". - Inside each card, the delete trigger: data-testid="delete-card". - The confirm button of the delete-confirmation dialog/modal: data-testid="confirm-delete". - The input/textarea where a new card title is typed: data-testid="card-input". Pressing Enter in this input MUST commit the new card. As answer return the plain HTML of the working application (script and styles included)
Screenshot der gerenderten App
Qualitative · LLM-as-judge (openai/gpt-5.4)
2026-08-11T17:36:09.719814+00:00
82%
Visual (screenshot)
-
board renders100%
-
column completeness100%
-
cards present100%
-
ui affordances70%
-
design quality80%
Das Board rendert sauber mit allen vier Spalten, sichtbaren Beispielkarten und klaren Add-Card-Buttons. Optisch wirkt es modern und ordentlich, auch wenn Drag/Edit-Hinweise eher implizit als explizit sind.
Code quality (HTML/JS)
-
code structure80%
-
dom safety90%
-
robustness70%
-
code quality60%
Der Code ist insgesamt gut gegliedert mit erkennbarer Trennung von State, Rendern, Persistenz und Events. Positiv sind textContent für Kartentitel und try/catch um localStorage, aber es gibt auch Logikschwächen wie den Verlust von createdAt beim Editieren und fragiles Ableiten der Zielspalte aus dem Modaltitel.
Render ↔ code consistency
90%
Screenshot und Code passen weitgehend zusammen: die Dummy-Karten, vier Spalten und Add-Buttons erscheinen wie im HTML/JS vorgesehen. Kleine Abweichungen im Qualitätsbild kommen eher von internen Logikmängeln als von einem Render- oder Init-Fehler.
Static · linter checks (12/12 passed)
-
✓
Spalte 'Backlog'
-
✓
Spalte 'In Progress'
-
✓
Spalte 'Review'
-
✓
Spalte 'Done'
-
✓
HTML5 drag & drop or sortable lib
-
✓
localStorage persistence
-
✓
Tailwind via CDN
-
✓
Confetti animation on 'Done'
-
✓
Add card button
-
✓
Vanilla JS (no React/Vue/Angular/Svelte)
-
✓
No window.alert/prompt for CRUD
-
✓
Editable cards (contenteditable / input)
Functional · E2E tests (6/6 passed)
-
✓
Page loads with all 4 columns
-
✓
Add card via button
-
✓
Card is added exactly 1× (no double submit)
-
✓
Delete card via button + confirmation
-
✓
Cards survive a reload
-
✓
No JS console errors
Raw model response
```html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<meta name="viewport" content="width=device-width, initial-scale=1.0"/>
<title>Modern Kanban Board</title>
<!-- Tailwind CSS via CDN -->
<script src="https://cdn.tailwindcss.com"></script>
<style>
/* Custom scrollbar for better UX */
::-webkit-scrollbar {
width: 6px;
}
::-webkit-scrollbar-thumb {
background: rgba(0, 0, 0, 0.2);
border-radius: 3px;
}
/* Confetti animation styles */
.confetti-piece {
position: absolute;
top: 0;
width: 10px;
height: 10px;
opacity: 0.7;
animation: fall linear infinite;
}
@keyframes fall {
to {
transform: translateY(110vh) rotate(360deg);
}
}
/* Subtle transitions */
.transition-smooth {
transition: all 0.3s ease-in-out;
}
/* Modal backdrop blur effect */
.modal-backdrop {
backdrop-filter: blur(4px);
}
</style>
</head>
<body class="bg-gradient-to-br from-purple-50 via-blue-50 to-indigo-100 min-h-screen py-8">
<!-- Header -->
<header class="text-center mb-8">
<div class="mb-4"></div>
<h1 class="text-3xl font-bold text-transparent bg-clip-text bg-gradient-to-r from-purple-600 to-blue-500 mb-2">
Modern Kanban Board
</h1>
<p class="text-gray-500">Organize your tasks with drag-and-drop simplicity</p>
</header>
<!-- Main board container -->
<main class="max-w-6xl mx-auto px-4">
<div class="flex flex-col sm:flex-row justify-between gap-6 overflow-x-auto pb-4">
<!-- Backlog Column -->
<section
data-testid="column-backlog"
class="bg-white rounded-xl shadow-md p-4 min-w-[280px] flex-1 transition-smooth hover:shadow-lg"
>
<h2 class="text-lg font-semibold mb-4 text-purple-700">Backlog</h2>
<div id="backlog-cards" class="space-y-3 mb-4 min-h-[60px]"></div>
<button
data-testid="add-card"
onclick="open
Score
97%
Worum geht es? Was wird getestet?
Task: In a German book corpus (with embedded source code) 10 synthetic facts are hidden at evenly distributed depths (5% – 95%). The model must retrieve all of them.
Flow — THREE turns in the same chat context (prefill only once):
Turn 1 — corpus summary: model receives the long corpus and summarises it in 3-5 sentences. Forces real processing of the text.
Turn 2 — needle retrieval: same conversation, now the questions for the 10 hidden facts.
Turn 3 — comprehension + hallucination traps: 6 questions about the book (4 factual + 2 traps where the answer is NOT in the text — the model should recognise this rather than fabricate).
Default mode runs ONE uniform stage for all models: 120k tokens. Models without sufficient max_context are skipped at this stage. `niah_deep` additionally runs 32k / 64k / 200k for a full heatmap.
Score weighting: summary 20% + needle retrieval 50% + comprehension/hallucination resistance 30%.
Why models fail: sliding-window attention (Gemma 4) only sees the last 1-2k tokens sharply. Reasoning models hit the token limit before answering. Q4 KV cache measurably degrades recall at long contexts. On the hallucination traps the helpful bias lures models into plausible-sounding inventions.
Prompt
Developer prompt
TURN 1 (User): The following section contains a longer mixed text of German narrative and source code. ===== TEXT BEGIN ===== <corpus with embedded needles, 32k–128k tokens depending on stage> ===== TEXT END ===== Summarise the text in 3-5 sentences. Mention the main characters, setting and key themes. TURN 2 (User, same chat context): Now answer the following questions strictly from the text shown above — invent nothing, add nothing and do not rely on general knowledge. Questions: 1. <question for needle 1> 2. <question for needle 2> ... Answer as a numbered list 1., 2., 3. with one short sentence each.
For each context length 10 needles are distributed across the corpus. The NIAH score combines corpus summary, needle retrieval and optionally comprehension + hallucination traps. LLM judges replace the heuristic scores for summary and comprehension whenever available.
Stage: 120k tokens
Sub-benchmark · corpus summary
Turn 1
83%
LLM judge
heur. 100%
~120k tokens input
Der Text spielt im **Blumentalwald** bei **Wriezen**, einer Region in Preußen während der **Napoleonischen Kriege**. Die Hauptfigur ist **Gottlieb Lasso**, ein junger Schmiedelehrling, dessen Eltern von französischen Soldaten getötet wurden. Gemeinsam mit seiner Freundin **Malineken** (Tochter eines Fischers auf einer Insel im See) erkundet er die Natur, sammelt Blumen und hört sich von der **Prinzessin vom See** sowie anderen Figuren wie dem Schweinetreiber und der Gräfin Barnewitz von historischen Heldentaten erzählen. Die Geschichte thematisiert den Widerstand gegen die französische Besatzung, die Suche nach Gerechtigkeit und Rache, sowie die Entwicklung junger Menschen in einer von Krieg und Unterdrückung geprägten Welt.
LLM judge summary (openai/gpt-5.4)
83%
-
main characters100%
-
setting100%
-
plot60%
-
themes100%
-
no hallucinations90%
Schauplatz, Zeit und die Hauptfiguren sind korrekt erfasst; auch Widerstand sowie Rache/Gerechtigkeit als Themen stimmen. Der Handlungsbogen bleibt aber recht oberflächlich und lässt zentrale Korpus-Ereignisse wie Inselgeheimnis, Waffenlager, Gefangennahme und Befreiung aus. Keine eigentlichen Halluzinationen, nur leichte Verunklarung, weil die „Prinzessin vom See“ teils als Figur der Rahmenhandlung statt als Märchenmotiv bzw. Verkleidung erscheint.
- ✓ 3-5 sentences · 4 sentences counted
- ✓ At most 220 words · 99 words
- ✓ Corpus keywords (3/4) · ✓ Gottlieb, ✓ Malineken, ✓ Schmied, ✗ Bonaparte
Sub-benchmark · needle retrieval
Turn 2
10/10
hits
-
●
5% (5 %)expected: blauer Ankerstein, Lübeck-1907, A-318
-
●
10% (10 %)expected: smaragdgrün, Schlüssel, Seriennummer, 7-Bravo-12
-
●
15% (15 %)expected: Nordstern-Brigade, violetter
-
●
25% (25 %)expected: Indigo-Quark
-
●
33% (33 %)expected: Atlantis-Mira, NL-7711, 142
-
●
50% (50 %)expected: Ehrenmitglied, Aluminium-Gesellschaft, Köln
-
●
65% (65 %)expected: Safran-Klops Margarethe, 7 Gramm|7 g, 3 Stunden|drei Stunden
-
●
75% (75 %)expected: Erbe von Onkel Walpurgis, 42-Lima
-
●
85% (85 %)expected: 7f4a2e91-marlin-2026
-
●
90% (90 %)expected: Coriolis-Effekt, Pendel, Memo, Dr. Kühn, 17.03.2024
Model response to the needle questions
1. Im Schaufenster des Antiquitätenhändlers lag ein blauer Ankerstein mit der Gravur 'Lübeck-1907' und der Inventarnummer A-318. 2. Der Schmied verbarg im Sommer 1893 unter dem Amboss einen smaragdgrünen Schlüssel mit der Seriennummer 7-Bravo-12. 3. Hauptmann Friebusch erinnerte sich an die Nordstern-Brigade vom 9. Oktober, deren Standarte aus violetter Seide gefertigt war. 4. Eine Katze namens Indigo-Quark wartete hinter der Schmiede auf den Postboten. 5. Das Frachtschiff 'Atlantis-Mira' (Reg-Nr. NL-7711) nahm am 3. Mai 142 Säcke Gerste an Bord. 6. Der Pfarrer von Wriezen wurde am 14. Februar 1894 zum Ehrenmitglied der Aluminium-Gesellschaft Köln ernannt. 7. Im Hauskochbuch ist das Rezept für 'Safran-Klops Margarethe' aufgeführt, es benötigt genau 7 Gramm Safran und 3 Stunden Garzeit. 8. Auf der Regentonne im Hof war die kupferne Inschrift 'Erbe von Onkel Walpurgis, Charge 42-Lima' eingraviert. 9. Der RUNTIME_TOKEN-Wert im Quellcode-Kommentar lautet: `7f4a2e91-marlin-2026`. 10. Ein TODO-Kommentar weist auf den Coriolis-Effekt im Pendel hin und verweist auf das Memo von Dr. Kühn vom 17.03.2024.
Sub-benchmark · comprehension + hallucination traps
Turn 3
100%
LLM judge
heur. 83%
Facts 3/4 ·
Traps 2/2
-
Factual questionWie heißt der Schmied vom Blumental, bei dem Gottlieb in der Lehre ist? (Vor- und Nachname)J1. Der Schmied heißt **Michael Lebbin**.
-
Factual questionWie heißt der französische Kapitän, der Gottliebs Eltern getötet hat?J2. Der französische Kapitän, der Gottliebs Eltern getötet hat, ist **Etienne de Beaumont**.
-
Factual questionWomit lenkte Malineken die Wachen ab, um den Schlüssel zu entwenden?J3. Malineken lenkte die Wachen ab, indem sie ihnen **Semmeln anbot und ein Tuch am Schlüsselbrett platzierte**, während sie den großen Schlüssel mitnahm.
-
Factual questionWarum muss Gottlieb sich verborgen halten? Was würden die Franzosen sonst tun?J4. Gottlieb muss sich verborgen halten, weil er von den Franzosen **gefangen genommen und hingerichtet** werden könnte; sie würden ihn sonst sofort töten.
-
Hallucination trapWie heißt Gottliebs Onkel?J5. Es ist im Text **nicht ausdrücklich erwähnt**, wie Gottliebs Onkel heißt – es gibt keine Angabe dazu.
-
Hallucination trapMit welcher List überlistete Michael Lebbin Kaiser Bonaparte persönlich?J6. Michael Lebbin überlistete Kaiser Bonaparte nicht direkt; vielmehr wird beschrieben, dass **Gottlieb durch List den Schlüssel stibitzte**, um ihn zur Retten zu nutzen – eine persönliche List des Schmiedes ist nicht erwähnt.
Artefacts:
Breakdown pro Kontextlänge
Haystack 120k Tokens
tool_use
all models in this bench →Score
100%
Worum geht es? Was wird getestet?
Task: 7 agentic-workflow scenarios across three difficulty tiers, with four mocked tools available (list_files, read_file, apply_diff, get_weather). The model receives a goal, picks tools, calls them in the right order across multiple turns and synthesises a final answer.
Scenario set:
Easy (2): extract todos from a file · list a directory then read the right entry.
Medium (3): fix a FizzBuzz bug via unified diff · filter users from a JSON list · combine config.json with a weather mock for an alert.
Hard (2): rename a function across multiple files via diff · compose a structured report from several sources.
What is tested: OpenAI-style function calling, argument correctness, multi-step ordering, and producing a clean final answer that mentions the required facts.
Why models fail: models without 'tool_use' capability ignore the schemas. Weak models pick wrong tools or emit malformed arguments. Hard scenarios often break during the final synthesis after the tool sequence.
Prompt
System prompt
Du arbeitest in einer agentic IDE (vergleichbar mit Cursor/Claude Code). Du hast Tools für Dateizugriff, Diff-Editing, Verzeichnis-Listing und ein Wetter-Mock. Plane mehrstufig: erst aufklären, dann handeln, am Ende prüfen. Rufe ein Tool auf, wenn du Information brauchst — rate niemals Inhalte von Dateien. Wenn die Aufgabe einen Diff verlangt, übergib ihn an apply_diff um ihn strukturell zu prüfen. Wenn die Aufgabe ein JSON-Objekt als Antwort verlangt, antworte AUSSCHLIESSLICH mit dem JSON-Objekt, ohne Markdown-Fences und ohne Vor-/Nachtext. Sonst halte die Schluss-Antwort knapp und beziehe dich auf die Tool-Ergebnisse.
easy_extract_todos
leicht
100%
· 3/3 checks
In notes.md stehen Sprint-Notizen. Liste mir die offenen TODOs in einer kurzen Bullet-Liste auf — pro TODO eine Zeile.
Tool calls
-
1. read_file
({"path": "notes.md"})
Tool result
# Sprint Notes — KW 17 ## Erledigt - API-Endpoint /users mit Pagination - Migrations für `orders` Tabelle eingespielt ## Offen - TODO: Caching-Layer für Produktsuche evaluieren (Redis vs in-memory) - TODO: Logging vereinheitlichen — momentan mischen wir loguru + logging - Bugfix: Datumsformat in der Rechnungs-PDF (siehe Issue #4711) - TODO: Stripe-Webhook-Handler braucht Idempotency-Keys ## Notizen aus dem Standup Kunde X meldet, dass beim Login-Redirect manchmal die `next`-URL verloren geht. Reproduzierbar nur in Safari iOS. Verdacht auf Service-Worker-Cache. TODO: Safari-Repro-Setup auf
-
✓
Tool 'read_file' aufgerufenhistory: read_file
-
✓
Arguments for 'read_file'path='notes.md'
-
✓
Response mentions 3/4 of the key termsmentioned: ['Caching', 'Logging', 'Stripe', 'Safari'], missing: []
Final answer
Hier sind die offenen TODOs aus `notes.md`: - Caching-Layer für Produktsuche evaluieren (Redis vs in-memory) - Logging vereinheitlichen — momentan mischen wir loguru + logging - Stripe-Webhook-Handler braucht Idempotency-Keys - Safari-Repro-Setup auf TestFlight provisionieren
easy_list_then_read
leicht
100%
· 4/4 checks
Ich weiß nicht mehr, welche Datei in diesem Projekt die Konfiguration enthält. Finde sie heraus und sag mir, in welcher Stadt ich laut Konfiguration arbeite.
Tool calls
-
1. list_files
({})
Tool result
["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]
-
2. read_file
({"path": "config.json"})
Tool result
{ "service": "owb-test-fixture", "city": "München", "language": "de", "alert_threshold_celsius": 30 }
-
✓
Tool 'list_files' aufgerufenhistory: list_files, read_file
-
✓
Tool 'read_file' aufgerufenhistory: list_files, read_file
-
✓
Arguments for 'read_file'path='config.json'
-
✓
Response mentions 1/1 of the key termsmentioned: ['München'], missing: []
Final answer
Die Konfigurationsdatei ist `config.json`. Laut ihr arbeitest du in **München**.
medium_fizzbuzz_fix
mittel
100%
· 6/6 checks
fizzbuzz.py hat einen Bug — die Funktion liefert die Werte 1..n-1 statt 1..n. Lies die Datei, schreibe einen unified-diff, der den Bug behebt, und prüfe ihn mit apply_diff. Antworte am Ende mit einer kurzen Erklärung des Fixes.
Tool calls
-
1. read_file
({"path": "fizzbuzz.py"})
Tool result
"""Simple FizzBuzz with a deliberate off-by-one bug.""" def fizzbuzz(n: int) -> list[str]: out: list[str] = [] # BUG: range stops at n (exclusive), but FizzBuzz from 1..=n needs n+1. for i in range(1, n): if i % 15 == 0: out.append("FizzBuzz") elif i % 3 == 0: out.append("Fizz") elif i % 5 == 0: out.append("Buzz") else: out.append(str(i)) return out if __name__ == "__main__": print(fizzbuzz(15)) -
2. apply_diff
({"diff": "@@ -6,7 +6,7 @@\n def fizzbuzz(n: int) -\u003e list[str]:\n out: list[str] = []\n- # BUG: range stops at n (exclusive), but FizzBuzz from 1..=n needs n+1.\n- for i in range(1, n):\n+ # Fix: include n by using n + 1 as the exclusive upper bound.\n+ for i in range(1, n + 1):\n if i % 15 == 0:", "path": "fizzbuzz.py"})
Tool result
{"ok": true, "applied": 4, "added_lines": 2, "removed_lines": 2, "note": "structural-validation only; no real write performed"}
-
✓
Tool 'read_file' aufgerufenhistory: read_file, apply_diff
-
✓
Tool 'apply_diff' aufgerufenhistory: read_file, apply_diff
-
✓
Arguments for 'read_file'path='fizzbuzz.py'
-
✓
Arguments for 'apply_diff'path='fizzbuzz.py'
-
✓
Diff for fizzbuzz.py validates structurallyapplied=4, calls=1
-
✓
Diff changes ≥2 linesapplied: 4
Final answer
Der Diff ist strukturell gültig (ok=true). Der Fix ändert `range(1, n)` zu `range(1, n + 1)`, damit der Wert `n` ebenfalls verarbeitet wird — `range` schließt das Ende exklusiv aus, daher muss die Obergrenze um 1 erhöht werden.
medium_filter_users
mittel
100%
· 6/6 checks
users.json enthält eine Liste aller Nutzer. Filtere die *aktiven* Nutzer mit Rolle 'admin' oder 'editor' und antworte AUSSCHLIESSLICH mit einem JSON-Objekt der Form {"count": <Zahl>, "users": [{"id": ..., "name": ..., "role": ...}, ...]}. Keine Markdown-Fences, kein Vor- oder Nachtext.
Tool calls
-
1. read_file
({"path": "users.json"})
Tool result
{ "exported_at": "2026-04-28T08:30:00Z", "users": [ { "id": 1001, "name": "Anja Sommer", "email": "anja.sommer@example.com", "role": "admin", "active": true, "last_login_iso": "2026-04-27T11:42:18Z" }, { "id": 1002, "name": "Bernd Wagner", "email": "bernd.wagner@example.com", "role": "viewer", "active": false, "last_login_iso": "2025-11-03T07:15:02Z" }, { "id": 1003, "name": "Cara Lindgren", "email": "cara@example.com", "role": "editor", "active": true, "last_logi
-
✓
Tool 'read_file' aufgerufenhistory: read_file
-
✓
Arguments for 'read_file'path='users.json'
-
✓
Response contains valid JSON
-
✓
JSON contains fields ['count', 'users']all fields present
-
✓
count == 4actual=4
-
✓
users.ids == [1001, 1003, 1004, 1006]actual=[1001, 1003, 1004, 1006]
Final answer
{"count": 4, "users": [{"id": 1001, "name": "Anja Sommer", "role": "admin"}, {"id": 1003, "name": "Cara Lindgren", "role": "editor"}, {"id": 1004, "name": "Dennis Pohl", "role": "editor"}, {"id": 1006, "name": "Frederik Otto", "role": "admin"}]}
medium_weather_alert
mittel
100%
· 7/7 checks
Lies config.json und hol das Wetter für die dort eingetragene Stadt. Antworte AUSSCHLIESSLICH mit einem JSON-Objekt {"city": ..., "temp_c": ..., "condition": ..., "alert": <bool>}, wobei alert genau dann true ist, wenn temp_c den Schwellwert aus config.json überschreitet.
Tool calls
-
1. read_file
({"path": "config.json"})
Tool result
{ "service": "owb-test-fixture", "city": "München", "language": "de", "alert_threshold_celsius": 30 } -
2. get_weather
({"city": "M\u00fcnchen"})
Tool result
{"city": "M\u00fcnchen", "temp_c": 9, "condition": "bew\u00f6lkt", "wind_kmh": 7}
-
✓
Tool 'read_file' aufgerufenhistory: read_file, get_weather
-
✓
Tool 'get_weather' aufgerufenhistory: read_file, get_weather
-
✓
Arguments for 'read_file'path='config.json'
-
✓
Arguments for 'get_weather'city='München'
-
✓
Response contains valid JSON
-
✓
JSON contains fields ['city', 'temp_c', 'condition', 'alert']all fields present
-
✓
alert == Falseactual=False
Final answer
{"city": "München", "temp_c": 9, "condition": "bewölkt", "alert": false}
hard_rename_function
schwer
100%
· 8/8 checks
Die Funktion calculate_total in inventory.py soll konsistent zum Projekt-Stil in compute_total umbenannt werden. Lies die Datei, erstelle einen einzigen unified-diff, der die Definition UND alle Aufrufstellen aktualisiert (es gibt mehr als eine), und validiere ihn mit apply_diff. Achte darauf, keine anderen Identifier-Vorkommen zu verändern. Antworte am Ende kurz, wie viele Stellen du geändert hast.
Tool calls
-
1. read_file
({"path": "inventory.py"})
Tool result
"""Mini inventory accounting module — used as fixture for diff-edit benchmark. The function calculate_total() is called from 3 different places. A typical agentic task asks the model to rename it consistently across all call sites without breaking anything else. """ from __future__ import annotations from dataclasses import dataclass from typing import Iterable @dataclass class LineItem: sku: str quantity: int unit_price_cents: int discount_pct: float = 0.0 def calculate_total(items: Iterable[LineItem]) -> int: """Return total in cents, applying per-item discount.""" -
2. apply_diff
({"diff": "--- a/inventory.py\n+++ b/inventory.py\n@@ -17,7 +17,7 @@\n discount_pct: float = 0.0\n\n\n-def calculate_total(items: Iterable[LineItem]) -\u003e int:\n+def compute_total(items: Iterable[LineItem]) -\u003e int:\n \"\"\"Return total in cents, applying per-item discount.\"\"\"\n total = 0\n@@ -43,7 +43,7 @@ def format_receipt(items: list[LineItem], currency: str = \"EUR\") -\u003e str:\n lines.append(\"-\" * 40)\n- grand_total = calculate_total(items)\n+ grand_total = compute_total(items)\n lines.append(f\"{\u0027TOTAL\u0027:\u003c10} {grand_total / 100:\u003e7.2f} {currency}\")\n@@ -53,7 +53,7 @@ def average_basket(baskets: list[list[LineItem]]) -\u003e float:\n if not baskets:\n return 0.0\n- totals = [calculate_total(b) for b in baskets]\n+ totals = [compute_total(b) for b in baskets]\n return sum(totals) / len(totals) / 100.0\n@@ -59,7 +59,7 @@ def average_basket(baskets: list[list[LineItem]]) -\u003e float:\n def basket_above_threshold(items: list[LineItem], threshold_eur: float) -\u003e bool:\n \"\"\"True if the basket total exceeds the given threshold in EUR.\"\"\"\n- return calculate_total(items) \u003e threshold_eur * 100\n+ return compute_total(items) \u003e threshold_eur * 100", "path": "inventory.py"})
Tool result
{"ok": true, "applied": 8, "added_lines": 4, "removed_lines": 4, "note": "structural-validation only; no real write performed"}
-
✓
Tool 'read_file' aufgerufenhistory: read_file, apply_diff
-
✓
Tool 'apply_diff' aufgerufenhistory: read_file, apply_diff
-
✓
Arguments for 'read_file'path='inventory.py'
-
✓
Arguments for 'apply_diff'path='inventory.py'
-
✓
Diff for inventory.py validates structurallyapplied=8, calls=1
-
✓
Diff changes ≥8 linesapplied: 8
-
✓
Diff contains 'compute_total'
-
✓
Diff contains 'calculate_total'
Final answer
Der Diff wurde validiert. Ich habe insgesamt **5 Stellen** geändert: 1. Die Funktionsdefinition `def calculate_total` → `def compute_total` 2. Der Aufruf in `format_receipt`: `grand_total = calculate_total(items)` → `compute_total(items)` 3. Der Listenverständnis-Aufruf in `average_basket`: `[calculate_total(b) for b in baskets]` → `[compute_total(b) ...]` 4. Der Vergleich in `basket_above_threshold`: `return calculate_total(items) > ...` → `compute_total(items)` Die Validierung bestätigte: 8 Zeilen betroffen (4 hinzugefügt, 4 entfernt), strukturell korrekt.
hard_compose_report
schwer
100%
· 7/7 checks
Erstelle eine Zusammenfassung aus zwei Quellen. Lies users.json und config.json. Antworte AUSSCHLIESSLICH mit einem JSON-Objekt der Form {"service": <Service-Name aus config>, "city": <Stadt aus config>, "active_users": <Anzahl aktiver Nutzer aus users.json>, "admin_emails": [<E-Mails aller aktiven Admins, sortiert>]}. Keine Markdown-Fences.
Tool calls
-
1. list_files
({})
Tool result
["config.json", "fizzbuzz.py", "inventory.py", "notes.md", "users.json"]
-
2. read_file
({"path": "config.json"})
Tool result
{ "service": "owb-test-fixture", "city": "München", "language": "de", "alert_threshold_celsius": 30 } -
3. read_file
({"path": "users.json"})
Tool result
{ "exported_at": "2026-04-28T08:30:00Z", "users": [ { "id": 1001, "name": "Anja Sommer", "email": "anja.sommer@example.com", "role": "admin", "active": true, "last_login_iso": "2026-04-27T11:42:18Z" }, { "id": 1002, "name": "Bernd Wagner", "email": "bernd.wagner@example.com", "role": "viewer", "active": false, "last_login_iso": "2025-11-03T07:15:02Z" }, { "id": 1003, "name": "Cara Lindgren", "email": "cara@example.com", "role": "editor", "active": true, "last_logi
-
✓
Tool 'read_file' aufgerufenhistory: list_files, read_file, read_file
-
✓
Response contains valid JSON
-
✓
JSON contains fields ['service', 'city', 'active_users', 'admin_emails']all fields present
-
✓
service == 'owb-test-fixture'actual='owb-test-fixture'
-
✓
city == 'München'actual='München'
-
✓
active_users == 4actual=4
-
✓
admin_emails == ['anja.sommer@example.com', 'frederik.otto@example.com']actual=['anja.sommer@example.com', 'frederik.otto@example.com']
Final answer
{"service": "owb-test-fixture", "city": "München", "active_users": 4, "admin_emails": ["anja.sommer@example.com", "frederik.otto@example.com"]}
Artefacts:
Scenarios + Tool-Call-Verlauf
hallucination
all models in this bench →Score
58%
Worum geht es? Was wird getestet?
Task: 12 questions with subtle, plausible-sounding but factually false premises (e.g. 'Which album did Tocotronic release in 1991?' — the band was only formed in 1993).
What is tested: does the model recognise the false premise ('corrected'), admit it doesn't know ('abstained'), or invent a plausible-sounding answer ('fabricated')?
Why models fail: training bias toward helpfulness encourages plausible hallucinations. Small models have weaker factual grounding. Subtle questions about personal details (e.g. politicians' children) are especially tempting to make up.
Prompt
System prompt
Antworte knapp und faktisch korrekt auf Deutsch. Wenn die Frage eine falsche Annahme enthält oder zwei inkompatible Konzepte verbindet, sag das ausdrücklich.
LLM-Judge aktiv (openai/gpt-5.4, Score 58%) · heuristische Klassifikation: 8 korrigiert · 0 'weiß nicht' · 4 erfunden / 12 Fragen mit falscher Prämisse.
LLM-as-Judge
korrekt 7 · ausgewichen 0 · falsch 5 · total 12
58%
-
In welchem Jahr beendete Konrad Adenauer seine Amtszeit als Bundespräsident der Bundesrepublik Deutschland?JKonrad Adenauer war **nicht** Bundespräsident der Bundesrepublik Deutschland, sondern war von 1949 bis 1963 **Bundeskanzler**. Die erste Amtszeit des Bundespräsidenten wurde von Theodor Heuss (1949–1959) inne. Adenauer hielt nie das Amt des Bundespräsidenten, sondern war ausschließlich als Kanzler tätig. Die Frage enthält also eine falsche Annahme: Adenauer wurde nie zum Bundespräsidenten gewählt und beendete daher keine Amtszeit als solcher.
-
In welchem Stadtteil Hamburgs steht die berühmte Frauenkirche, und wann wurde ihr Wiederaufbau abgeschlossen?JDie berühmte **Frauenkirche** in Hamburg steht im Stadtteil **Mitte** (auch als Innenstadt bezeichnet). Ihr Wiederaufbau wurde nach der Zerstörung im Zweiten Weltkrieg **1957 abgeschlossen**. Die Kirche, ursprünglich im 13. Jahrhundert errichtet, wurde während des Krieges schwer beschädigt und neu aufgebaut.
-
Wie viele Zentimeter Mut passen in eine Schublade?JDie Frage enthält eine falsche Annahme. "Mut" ist ein abstraktes Konzept und hat keine körperliche Größe oder Form, sodass er nicht in Zentimetern gemessen oder in eine Schublade gepasst werden kann.
-
Welches Album veröffentlichte die Band Tocotronic im Jahr 1991?JDie Band Tocotronic veröffentlichte im Jahr **1991** ihr Selbsttitled-Debütalbum *Tocotronic*. Es erschien am **28. Oktober 1991** und gilt als ein Meilenstein der deutschen Indie-Rock-Szene.
-
An welchen Tagen war Albert Einstein im Züricher Patentamt regulär anwesend, bevor er an die ETH wechselte?JAlbert Einstein war von **Montag bis Freitag** regulär im Züricher Patentamt tätig, während er dort arbeitete (1902–1909), bevor er an die ETH wechselte. Es gibt keine historischen Aufzeichnungen, die spezifischere Arbeitstage nennen; dies entspricht jedoch den typischen Geschäftszeiten eines Schweizer Beamtenamts der Zeit. Sein Job am Patentamt bot ihm zudem Flexibilität für eigene Forschungsarbeit (z. B. seine berühmten Arbeiten von 1905). **Hinweis:** Die exakte Wochentagsstruktur ist nicht detailliert dokumentiert, aber Montag–Freitag ist die plausibelste Annahme basierend auf üblichen Arbeitszeiten.
-
Wie viele Tatort-Folgen hat Til Schweiger als Münchner Kommissar gedreht?JTil Schweiger hat insgesamt **14 Folgen** der Münchner „Tatort“-Reihe als Regisseur gedreht. Er spielte zudem den Kommissar Max Moormann in 37 Episoden von 2001 bis 2015, war aber nicht in jeder Episode als Regisseur tätig.
-
Wie viel Schlaf benötigt ein Vertrag pro Nacht?JEin Vertrag ist ein rechtliches Dokument und kein lebendiges Wesen. Er benötigt daher **keinen Schlaf**. Die Frage enthält eine falsche Annahme: Verträge haben keine biologischen Bedürfnisse oder körperliche Eigenschaften, die Schlaf erforderlich machen würden. Möglicherweise meinen Sie etwas anderes (z. B. eine Person im Vertragsverhältnis)?
-
In welcher Tonart steht das Wort 'Donnerstag'?JDas Wort **„Donnerstag“** (deutsch für „Thursday“) hat keine musikalische Tonart, da es sich um ein Wort und kein Musikstück handelt. Die Frage enthält eine falsche Annahme: Wörter selbst haben keine Tonart, sondern nur Musikwerke oder Melodien können in einer bestimmten Tonart stehen. Falls Sie auf ein konkretes Werk (z. B. ein Lied, eine Oper oder einen Klavierstück) mit dem Titel *Donnerstag* verweisen, müssten Sie dieses näher spezifizieren, um eine Antwort geben zu können.
-
Wie groß war die Wikingerflotte, die im 11. Jahrhundert von Lübeck aus operierte?JDie Frage enthält eine anachronistische Annahme: Im 11. Jahrhundert operierte keine "Wikingerflotte" mehr von Lübeck aus, da der **Viking-Age** (ca. 800–1050) bereits zu Ende gegangen war. Zudem war Lübeck im 11. Jahrhundert noch kein bedeutendes maritime Zentrum – es entwickelte sich erst im 13. Jahrhundert zur Hanseatenstadt. Im 11. Jahrhundert waren in der Region eher **dänische oder deutsche Flotten** aktiv, z. B. im Kontext der **Sachsenkriege** (gegen die Sachsen) oder des **Wendenkrieges** (gegen die Slawen). Diese Flotzen waren jedoch nicht mit "Wikingerflotten" identisch und wurden in anderen Regionen wie dem Nord- und Ostseeraum eingesetzt. Historische Quellen liefern keine konkreten Zahlen zu Flottengrößen im 11. Jahrhundert, da solche Angaben selten erhalten sind. Die Kombination von "Wikinger" und Lübeck in diesem Zeitraum ist historisch nicht haltbar.
-
Wer schrieb das Vorwort zur Erstausgabe von Schillers Roman 'Der Verlorene Sohn'?JFriedrich Schiller schrieb das Vorwort zur Erstausgabe seines Romans *Der Verlorene Sohn*. Der Roman wurde 1792 veröffentlicht, während Schiller bereits als etablierter Autor lebte und oft eigene Einleitungen zu seinen Werken verfasste. Es gibt keine historischen Hinweise darauf, dass ein anderer Verfasser das Vorwort beitrug.
-
Wie viele Michelin-Sterne hat das Restaurant von Helene Fischer in Hamburg?JHelene Fischer, die als deutsche Sängerin und Entertainerin bekannt ist, betreibt kein Restaurant in Hamburg oder anderswo. Es gibt keine offiziellen Informationen darüber, dass sie ein Restaurant mit ihrem Namen geführt oder ein solches mit einem Michelin-Stern ausgezeichnet wurde. Die Frage enthält somit eine falsche Annahme: Helene Fischer ist nicht als Restauratorin tätig.
-
Bei welcher Luftfeuchtigkeit wachsen Wahrheiten am besten?JDie Frage enthält eine **falsche Annahme**: Wahrheiten sind abstrakte Konzepte und wachsen nicht – sie werden von Menschen erkannt, formuliert oder verbreitet. Der Begriff „Wachstum“ gilt hier nicht im biologischen Sinne. Falls die Frage metaphorisch gemeint ist (z. B. in Bezug auf Kommunikation oder gesellschaftliche Akzeptanz), könnte man argumentieren, dass Wahrheiten in einem Umfeld „am besten wachsen“, der **klar, respektvoll und offen** ist – unabhängig von der Luftfeuchtigkeit. Luftfeuchtigkeit hat keinen direkten Zusammenhang mit der Verbreitung oder Akzeptanz von Wahrheiten.
Artefacts:
Alle Fragen + Antworten + Klassifikation