Benchmarkbedrijf Artificial Analysis heeft versie 5 van zijn Intelligence Index gelanceerd en noemt dit de grootste upgrade van zijn samengestelde modelranglijst sinds v4 in januari debuteerde. De verandering in de kop: voor het eerst is 60 procent van de Index gebaseerd op evaluaties met privétestsets of volgehouden antwoorden – een directe reactie op de besmettingsproblemen van de benchmark die het vertrouwen in de publieke ranglijsten hebben uitgehold.

De herschikking komt met een duidelijk oordeel bovenaan. Claude Opus 5.5 (max) leidt de v5 Index op 58, vóór GPT-6 Astra (max) op 57 en GPT-6.1 Sol (max) op 55. Anthropic en OpenAI staan samen in de top vijf, gevolgd door Google's Gemini 4 Argon (hoog) op 50. Voor meer context over dit verhaal, zie ons laatste AI-ontwikkelingen.

Wat is er veranderd in v5

De v5 Index is onderverdeeld in vier gelijkgewogen categorieën – Kenniswerk, Coderen, Wetenschap en Algemeen – elk met een waarde van 25 procent. Twee benchmarks zijn geheel nieuw en drie hebben belangrijke upgrades ondergaan:

  • FrontierCode 2.0 (nieuw). Cognition's privé-benchmark van 132 real-world codeertaken in open-source repository's, beoordeeld op basis van de vraag of een repository-onderhouder de wijziging van de agent daadwerkelijk zou samenvoegen. Taken blijven privé om besmetting te voorkomen, en Artificial Analysis voert elke taak drie keer uit in het Stirrup-agentische harnas.
  • Terminal-Bench-Science (nieuw). Zeventig wetenschappelijke onderzoekstaken uitgevoerd in een terminalomgeving, waarbij een taak alleen slaagt als alle tests geslaagd zijn.
  • HLE-Diamond (geüpgraded). Een verfijnde versie met 1000 vragen van Humanity's Last Exam van het Center for AI Safety and Scale AI, gelijkmatig verdeeld tussen redeneer- en kennisvragen, ter vervanging van de originele HLE.
  • AA-Omniscience v1.1 (geüpgraded). Een opgeschoonde kennis- en hallucinatiedataset waaruit verzadigde en publieke vragen zijn verwijderd.
  • CritPt v2 harde subset (geüpgraded). Een privé harde subset van 40 vragen van de natuurkundebenchmark op onderzoeksniveau, herzien door de auteurs en uitgevoerd met code-uitvoering.

Verdwenen uit de Index: GDPval-AA v2.1, SciCode en AA-LCR v1.1. Artificial Analysis lanceerde ook een begeleidende Progress Index v1, die de modelcapaciteiten in de loop van de tijd op één enkele continue schaal volgt.

Claude Opus 5.5 neemt de algemene leiding

Claude Opus 5.5 (max) voert drie van de negen individuele evaluaties aan: FrontierCode 2.0 met 46 procent, HLE-Diamond met 68 procent en AA-Omniscience v1.1 met 48 procent. Geen enkel model leidt alles: vijf andere modellen staan bovenaan de overige zes benchmarks.

GPT-6 Astra (max) leidt Terminal-Bench-Science met 63 procent en de CritPt v2 harde subset met 72 procent, wat de kracht van OpenAI in wetenschappelijk werk op lange termijn bevestigt. Claude Sonnet 5.5 staat bovenaan AA-Briefcase met 1812 Elo, Kimi's K3.1 Pro leidt Terminal-Bench 4.0 met 67 procent, Gemini 4 Argon leidt AutomationBench-AA met 78 procent en Muse Wonder Full leidt GDP.pdf met 33 procent all-pass.

De resultaten van HLE-Diamond bevatten een treffend detail: de leidende modellen scoren veel beter op redeneren dan op kennis. Claude Opus 5.5 en GPT-6 Astra scoren beide 78 procent op redeneervragen, maar dalen naar respectievelijk 58 en 50 procent op kennis – bewijs dat zelfs grenssystemen nog steeds vaker hallucineren of feiten missen dan hun redeneerscores suggereren.

De Open-Weights Gap Triples

De meest ontnuchterende bevinding voor het ecosysteem met open gewichten: de kloof tussen het beste open model en de leider in het algemeen verdrievoudigde, en werd groter van 3 punten in v4.3 naar 12 punten in v5.

Kimi's K3.1 Pro is met 46 het beste model met open gewichten, maar de gewichten zijn nog niet vrijgegeven. Onder de modellen met vrijgegeven gewichten leiden DeepSeek's V4.1 Flash 1017 (max) en Z.ai's GLM-5.3 (max) op 32, maar liefst 26 punten achter Claude Opus 5.5 en lager dan Claude Haiku 5.5 (max) op 36.

De kloof is het grootst op de moeilijkste benchmarks. Op HLE-Diamond scoort Kimi K3.1 Pro 37 procent, tegenover 68 procent van Opus 5.5; op Terminal-Bench-Science, 34 procent tegen GPT-6 Astra's 63 procent. De meeste gebenchmarkte modellen met open gewichten scoren minder dan 10 procent op de wetenschappelijke benchmark.

Prijs per taak varieert dertienvoudig

De kosten blijven een beslissende variabele. Van de tien hoogst scorende modellen is GPT-6.1 Terra (max) de goedkoopste met $ 0,96 per Intelligence Index-taak, terwijl Claude Fable 5.1 (max) de duurste is met $ 13,04 – een meer dan 13-voudige spread.

Het efficiëntieverhaal is misschien wel de meest praktische conclusie van v5: GPT-6.1 Sol (max) scoort binnen 4 punten van Claude Opus 5.5, terwijl hij ongeveer een achtste zoveel kost per taak, namelijk $ 1,27 versus Opus's $ 10,04. GPT-6 Astra (max) zit daartussen voor $ 6,24.

Waarom particuliere benchmarks belangrijk zijn

De verschuiving naar particuliere evaluatiesets weerspiegelt een sectorbreed probleem: publieke benchmarks lekken in trainingsgegevens en raken verzadigd, waardoor de winst op het klassement onmogelijk te vertrouwen is. Met FrontierCode 2.0 worden taken beoordeeld op basis van de vraag of een beheerder de wijziging zou samenvoegen (waarbij elke mislukte blokkeringscontrole nul scoort) en blijft de takenlijst privé.

Dat maakt v5 tot een van de moeilijkere benchmarks om te gamen, en het oordeel ervan weegt zwaar: de grens wordt aangevoerd door Anthropic en OpenAI, inspanningsinstellingen zijn belangrijker dan ooit, en open-weights-modellen hebben serieuze grond om te herstellen van de agentische taken die steeds meer het echte AI-werk definiëren.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →