Kort antwoord
Een benchmarkscore zegt alleen iets binnen dezelfde test, versie en datum: Claude Fable 5.1 en GPT-6 Astra staan op 18 september 2026 allebei op 53 in de Intelligence Index van Artificial Analysis, maar Astra doet dat voor circa 40% van de kosten per taak. Kies per taak de passende benchmark, lees onafhankelijke metingen anders dan leverancierscijfers en beschouw verschillen onder de vijf punten als ruis. Nederlands zit in geen enkele grote benchmark, dus een eigen test van twintig prompts blijft de beslissende stap.
Van lezen naar doen.
Op 18 september 2026 staan Claude Fable 5.1 en GPT-6 Astra allebei op 53 punten in de Intelligence Index van Artificial Analysis. De een haalt die 53 voor $7,63 per indextaak, de ander voor $3,26.
Ruim twee weken eerder stond Fable 5.1 op 66 punten. Het model was niet slechter geworden; de index was van versie gewisseld.
Dat is in twee zinnen het probleem met benchmarks: het getal zegt niets zonder de test, de versie, de datum en wie de meting deed. Deze pagina zet elf frontier-modellen op één rij, met per score de bron, en legt uit hoe je zo'n tabel leest voor een bedrijfsbeslissing.
Wil je eerst de brede keuze, dan begint welk AI-model het beste past bij je bedrijf bij abonnementen en werkplek. Hier gaat het uitsluitend om wat de meetcijfers waard zijn.
Wat een benchmark meet, en wat niet
Een benchmark is een vaste set opdrachten met een vaste beoordeling: zoveel procent van de taken opgelost, of een Elo-rating uit duels. Hetzelfde model in dezelfde test geeft daardoor een vergelijkbaar getal.
Wat de test niet meet, is jouw werk. Geen benchmark bevat jouw offertes, jouw ERP-koppeling of jouw klanten die in het Nederlands mailen.
Benchmarks vertellen je dus welke modellen in de bovenste groep zitten. Welke daarvan bij jou wint, meet je zelf.
Onze benchmarktabel: elf frontier-modellen op 18 september 2026
Elke score hieronder hebben wij op 18 september 2026 zelf opgehaald van de genoemde pagina. Waar een leverancier een cijfer niet publiceert, of ons de toegang blokkeerde, staat n.b.
Tabel 1: onafhankelijke metingen
| Model | Intelligence Index v4.3 | Kosten per indextaak | Coding Agent Index | LMArena tekst (rang) | Tokens/s |
|---|---|---|---|---|---|
| Claude Fable 5.1 (max) | 53 | $7,63 | 62 | 1.498 (5) | 66 |
| GPT-6 Astra (max) | 53 | $3,26 | 62 | 1.480 (24) | 53 |
| Claude Opus 5 (max) | 51 | $5,86 | 60 | 1.493 (10) | 51 |
| GPT-5.6 Sol (max) | 47 | $1,99 | 55 | 1.483 (18) | 62 |
| GPT-5.6 Terra (max) | 42 | $1,40 | n.b. | 1.466 (45) | 84 |
| Gemini 3.8 Flash (high) | 41 | $1,24 | n.b. | 1.493 (9, voorlopig) | 299 |
| Claude Sonnet 5 (max) | 38 | $5,09 | n.b. | 1.461 | 72 |
| DeepSeek V4 Pro (max) | 36 | $0,67 | n.b. | 1.463 | 76 |
| Gemini 3.1 Pro (preview) | 30 | $0,67 | n.b. | 1.487 (15) | 121 |
| Claude Haiku 4.5 | 18 | $0,21 | n.b. | 1.415 | 94 |
| Mistral Medium 3.5 | 15 | $0,44 | n.b. | 1.426 | 144 |
Bronnen tabel 1: Artificial Analysis LLM Leaderboard voor Intelligence Index v4.3, kosten per taak en tokens per seconde (afgelezen 18-09-2026), Artificial Analysis, Benchmarking GPT-6 Astra voor de Coding Agent Index (9 september 2026) en de LMArena Text Arena (stand 13 september 2026, 8.146.274 stemmen over 402 modellen). Kosten per taak in dollars, zoals Artificial Analysis ze publiceert.
Tabel 2: door leveranciers gerapporteerd
| Model | SWE-bench Verified | Terminal-Bench 4.0 | GDPval-AA v2 (Elo) | Gerapporteerd door |
|---|---|---|---|---|
| Claude Fable 5.1 | n.b. (Pro3-subset: 88,6% op low) | 55,8% | 1.853 | Anthropic |
| Claude Opus 5 | n.b. | 52,3% | 1.824 | Anthropic |
| Claude Sonnet 5 | n.b. (Pro3-subset: 77,4%) | 12,4% | 1.584 | Anthropic (SWE), Google (rest) |
| Claude Haiku 4.5 | n.b. | n.b. | n.b. | niemand |
| GPT-6 Astra | n.b. | 59% (onafhankelijk, AA) | circa 45 Elo onder Sol (AA) | openai.com blokkeerde onze opvraging |
| GPT-5.6 Sol | n.b. | 37,3% | 1.711 | Anthropic en Google (beide 37,3%) |
| GPT-5.6 Terra | n.b. | 23,6% | 1.528 | |
| Gemini 3.8 Flash | n.b. (DeepSWE v1.1: 73,7%) | 19,1% | 1.545 | |
| Gemini 3.1 Pro | 80,6% | n.b. (Terminal-Bench 2.0: 68,5%) | 1.317 (oudere GDPval-AA) | |
| Mistral Medium 3.5 | 77,6% | n.b. | n.b. | Mistral |
| DeepSeek V4 Pro (max) | 80,6% | n.b. (Terminal-Bench 2.0: 67,9%) | 1.554 (versie niet vermeld) | DeepSeek |
Bronnen tabel 2: Anthropic, Claude Fable 5.1 en Mythos 5.1 (1 september 2026), Anthropic, optimizing for cost and intelligence voor de SWE-bench Pro3-subset, Google DeepMind, modelkaart Gemini 3.8 Flash, Google DeepMind, Gemini 3.1 Pro, Mistral AI, Mistral Medium 3.5, DeepSeek, modelkaart V4 Pro en voor Astra Artificial Analysis. Alles afgelezen 18-09-2026.
Twee dingen vallen op. De kolom SWE-bench Verified is bij de drie grootste leveranciers leeg: Anthropic rapporteert een eigen Pro-subset, Google rapporteert DeepSWE en OpenAI kregen wij niet te lezen.
En dezelfde test geeft per rapporteur een ander getal: Terminal-Bench 4.0 is bij Anthropic 55,8% voor Fable 5.1 en bij Artificial Analysis 52%. Beide zijn eerlijk gemeten; het verschil zit in de agent-omgeving eromheen.
Onafhankelijk of van de leverancier: waarom dat de eerste vraag is
Een leverancier kiest de benchmark, de instelling en de vergelijkingsmodellen. Google zet in zijn modelkaart Claude Sonnet 5 op 12,4% op Terminal-Bench 4.0, terwijl Anthropic dat model in zijn eigen tabel bij Fable 5.1 (1 september) weglaat.
Artificial Analysis draait alle modellen zelf, in dezelfde opstelling, en publiceert de kosten per taak erbij. Daarom staat die index in tabel 1 en niet in tabel 2.
Leverancierscijfers zijn niet waardeloos. Ze zijn de enige bron voor tests die niemand anders draait, zoals SWE-bench Verified voor Mistral Medium 3.5 (77,6%) of DeepSeek V4 Pro (80,6%).
Lees ze als een sollicitatiebrief: waar, maar geselecteerd. De onafhankelijke meting is het referentiegesprek.
Zes benchmarks die ertoe doen voor zakelijk gebruik
Artificial Analysis Intelligence Index
De index bundelt tien tests, waaronder GDPval-AA v2, AA-Briefcase, Terminal-Bench 4.0, Humanity’s Last Exam en AA-Omniscience (Artificial Analysis). Versie 4.3 verving τ³-Banking door AutomationBench-AA en tilde Terminal-Bench naar 4.0.
Dat maakt de index de beste eerste blik, en tegelijk een getal met een houdbaarheidsdatum. Fable 5.1 scoorde op 1 september 66 en op 18 september 53, zonder dat het model veranderde (Artificial Analysis, 1 september 2026).
Vergelijk daarom alleen scores van dezelfde indexversie en dezelfde datum.
Coding Agent Index
Deze index test drie agent-benchmarks in echte codeeromgevingen: DeepSWE v1.1, Terminal-Bench 4.0 en SWE-Atlas-QnA. Astra in Codex en Fable 5.1 in Claude Code delen de eerste plaats met 62, Opus 5 volgt met 60 (Artificial Analysis, 9 september 2026).
De score hoort bij de combinatie van model en agent, niet bij het model alleen. Voor wie maatwerk software laat bouwen met AI-ondersteuning is dit de relevantste index, juist omdat de agent meegemeten wordt.
SWE-bench Verified en Pro
SWE-bench geeft een model een echte GitHub-issue en test of de fix de bijbehorende tests laat slagen. Verified is de door mensen gecontroleerde set, Pro de zwaardere variant met meer repositories en talen.
De frontier-leveranciers zijn Verified grotendeels ontgroeid. Anthropic rapporteert een eigen Pro3-subset waarop Fable 5.1 met de stand low 88,6% haalt voor $0,54 per opgeloste taak (Anthropic), en een subset is niet vergelijkbaar met het publieke leaderboard.
Hoe de Claude-modellen zich onderling verhouden op dit soort taken, staat in Claude Haiku, Sonnet, Opus of Fable.
Terminal-Bench 4.0
Terminal-Bench laat een agent taken uitvoeren in een terminal: installeren, debuggen, data verwerken. Versie 4.0 is de zwaarste tot nu toe en de enige test waar leverancier en onafhankelijke meting elkaar direct raken.
Onafhankelijk gemeten leidde GPT-6 Astra op 9 september met 59% voor Fable 5.1 met 52% en GPT-5.6 Sol met 40% (Artificial Analysis, 9 september 2026). In de eigen tabel van Anthropic staat Fable 5.1 op 55,8% en Sol op 37,3% (Anthropic).
Voor Gemini 3.8 Flash en Claude Sonnet 5 is deze test te zwaar: Gemini 3.8 Flash 19,1%, Claude Sonnet 5 12,4% volgens de Google-modelkaart. Dat zegt iets over autonome agent-sessies van uren, niet over een chatbot.
Artificial Analysis mat op 28 september, de dag waarop Claude Sonnet 5.5 uitkwam, 64% voor Sonnet 5.5 op max effort en 60% voor Opus 5.5 (Artificial Analysis, 28 september 2026). Leg die getallen niet naast de Google-cijfers hierboven: uitgever, opstelling en datum verschillen.
Waarom Anthropic en Vals AI voor Sonnet 5.5 weer andere getallen meten, staat in Claude Sonnet 5.5.
GDPval-AA v2
GDPval komt van OpenAI en bevat kenniswerk uit 44 beroepen: rapporten, spreadsheets, presentaties. Artificial Analysis draait een eigen versie als Elo-duel tussen modellen.
Fable 5.1 staat op 1.853 Elo, Opus 5 op 1.824, en dat verschil valt binnen het betrouwbaarheidsinterval (Artificial Analysis). GPT-6 Astra scoort hier circa 45 Elo lager dan zijn voorganger Sol, terwijl Sol nog steeds de beste presentatiekwaliteit levert (Artificial Analysis).
Dit is de benchmark die het dichtst bij kantoorwerk komt. Wie vooral documenten laat maken, kijkt hier eerder dan naar codeerscores.
LMArena
LMArena laat bezoekers twee anonieme antwoorden vergelijken en rekent daar een Elo uit. Het is de enige grote benchmark op menselijke voorkeur, met 8,1 miljoen stemmen (LMArena, stand 13 september 2026).
Lees hem met de spreiding erbij: Fable 5.1 staat op 1.498 ±8, Gemini 3.8 Flash op 1.493 ±9 met het label voorlopig, Astra op 1.480 ±12. De bovenste vijftien liggen binnen twintig punten en de plaatsen wisselen per week.
Opvallend: het oudere Claude Fable 5 staat met 1.506 boven zijn opvolger. Menselijke voorkeur beloont stijl en lengte, niet alleen juistheid.
Zo lees je dit als MKB-bedrijf
Wat twee punten verschil betekent
Fable 5.1 en Astra staan op 53, Opus 5 op 51. Datzelfde Fable 5.1 scoort op zijn laagste effort-stand 47 en op medium 49 (Artificial Analysis).
De instelling waarmee je een model draait, verschuift de score dus meer dan de keuze tussen de twee koplopers. Twee punten op deze index zie je niet terug in een offerte of klantmail.
Vuistregel: onder de vijf punten op de Intelligence Index of onder de twintig Elo op LMArena kies je op prijs, snelheid en taal, niet op de score.
Kosten per score, niet kosten per token
Astra haalt zijn 53 voor $3,26 per indextaak, Fable 5.1 voor $7,63. Opus 5 zit op 51 voor $5,86, Gemini 3.8 Flash op 41 voor $1,24 (Artificial Analysis).
Per token is Sonnet 5 vijf keer goedkoper dan Fable 5.1, maar per opgeloste codeertaak is Fable 5.1 op low 35% goedkoper omdat het minder pogingen nodig heeft (Anthropic). Reken dus in kosten per afgeronde taak.
Hoe je van tokenprijs naar maandbedrag rekent, staat in wat AI kost voor bedrijven; de tarieven per OpenAI-model in welk OpenAI-model je kiest.
Contaminatie en spieken
Benchmarktaken zijn openbaar en belanden in trainingsdata. Endor Labs documenteerde in 21 agent/model-combinaties drie spiekmechanismen: herinnering uit trainingsdata, lekkende workspace-metadata en misbruik van git-historie, met per combinatie een telling van het aantal gespiekte taken (Endor Labs, 2026).
Een review van circa honderd studies documenteert benchmarkverzadiging en contaminatie als terugkerend probleem (Eriksson et al., 2025). Daarom vervangt Artificial Analysis onderdelen en houdt het voor AutomationBench-AA een privé-testset aan.
Praktisch: een score op een test uit 2024 zegt in 2026 weinig meer. Kijk naar de nieuwste versie en naar tests met een gesloten set.
Het Nederlandse gat
Geen enkele benchmark in tabel 1 of 2 bevat Nederlands. De enige doorlopende Nederlandse meting is de EuroEval-leaderboard, en daar staan de septembermodellen nog niet in.
De koploper daar was op 18 september 2026 Gemini 3.7 Flash met rangscore 1,24, gevolgd door GLM-5.3-Flash (1,28) en Gemini 3.6 Flash (1,34); van de modellen die ook in onze tabellen staan volgde GPT-5.6 Sol met 1,43, en Claude Sonnet 4.5 stond op 1,55 (EuroEval, Dutch leaderboard). Lager is beter, en Fable 5.1, Astra en Gemini 3.8 Flash ontbreken.
Wat EuroEval ook niet meet, is of een model een verzendbare Nederlandse offerte schrijft. Daarvoor deden wij een eigen blinde test, beschreven in welk AI-model het beste Nederlands schrijft.
Waarom een eigen test van twintig prompts wint
METR volgde zestien ervaren ontwikkelaars over 246 taken. Ze verwachtten 24% sneller te zijn met AI en waren 19% langzamer, en geloofden achteraf nog steeds dat ze 20% hadden gewonnen (METR, 2025).
Die perceptiekloof haal je alleen weg met een meting op je eigen werk. Twintig echte prompts uit je eigen postvak, twee of drie modellen, blind beoordeeld met een rubric: een middag werk die meer zegt dan welke leaderboard ook.
De opzet met rubric en ruwe scores uit onze Nederlandse test kun je één op één overnemen; het stappenplan staat onderaan die pagina.
Welke benchmark bij welk werk
| Wat je wilt laten doen | Kijk naar | Leidt op 18-09-2026 |
|---|---|---|
| Code schrijven met een agent | Coding Agent Index, Terminal-Bench 4.0 | Astra en Fable 5.1 gelijk (62); Astra op Terminal-Bench |
| Rapporten, analyses, spreadsheets | GDPval-AA v2, AA-Briefcase | Fable 5.1 en Opus 5, binnen het interval |
| Presentaties | AA-Briefcase, presentatiekwaliteit | GPT-5.6 Sol |
| Klantcontact in chat | LMArena | Fable 5, Fable 5.1 en Gemini 3.8 Flash binnen twintig Elo |
| Hoog volume, lage kosten | Kosten per taak, tokens/s | Gemini 3.8 Flash (299 tokens/s, $1,24) |
| Nederlandse tekst | EuroEval Dutch plus eigen test | Gemini 3.7 Flash op EuroEval; eigen test nodig |
Alle cellen komen uit de bronnen bij tabel 1 en 2. Voor de Google-lijn zelf, en waarom 3.1 Pro nog preview is, zie welke Gemini-versies er zijn.
Claude-first, en waar dat niet vanzelfsprekend is
CleverTech AI bouwt standaard op Claude. De tabellen hierboven (stand 18 september) geven daar reden voor op kenniswerk en lange agent-sessies, en wijzen tegelijk drie plekken aan waar een ander model voorlag.
- Kosten per score: Astra levert dezelfde 53 voor circa 40% van de prijs per taak, en zijn hallucinatiepercentage daalde volgens Artificial Analysis van 92% naar 51%.
- Terminal-werk: in de meting van Artificial Analysis van 9 september stond Astra zeven punten boven Fable 5.1 op Terminal-Bench 4.0 (59% tegen 52%). In de latere meting van 28 september staat er wel een Claude-model boven Astra: Claude Sonnet 5.5 op max effort op 64%, Astra op xhigh op 60%, al kost Sonnet 5.5 op max daar meer per indextaak dan Opus 5.5 ($7,60 tegen $5,98).
- Snelheid en volume: Gemini 3.8 Flash doet 299 tokens per seconde tegen 66 voor Fable 5.1 en staat op LMArena gelijk met Opus 5.
Wie één model wil, kiest op zijn zwaarste taak. Wie meerdere combineert, leest wanneer een multi-model-aanpak loont.
Van benchmark naar besluit in vier stappen
- Bepaal de taak die het meeste geld of tijd kost; die bepaalt de benchmark, niet andersom.
- Neem de bovenste drie modellen van die benchmark uit tabel 1, in dezelfde indexversie en van dezelfde datum.
- Test ze op twintig eigen prompts, blind, met een rubric, en reken de kosten per goedgekeurde uitkomst.
- Herhaal elk kwartaal, want indexversies en modellen wisselen sneller dan je contract.
Wil je die test niet zelf inrichten? In een AI readiness assessment van €3.500 doen wij de nulmeting, de gap-analyse en de kansenlijst op jouw processen, met een modelkeuze die op je eigen data is onderbouwd.
Vragen over een score die je van een leverancier kreeg? Bel 085 016 0118 of stuur ons een bericht, en we zeggen er ook bij wanneer een ander model dan Claude de betere keuze is.
Alle vraagpagina's van dit cluster staan op de index AI-modellen vergelijken.
Opgesteld met AI-ondersteuning, geredigeerd en inhoudelijk verantwoord door het Redactieteam CleverTech AI.
