Het model presteert ook sterk op kenniswerkbenchmarks: GDPval evalueert taken in tientallen beroepen, waaronder rechten, financiën en productmanagement, waarbij GPT‑5.5 in ongeveer 84,9% van de vergelijkingen professionals evenaart of verslaat.

Samen suggereren deze cijfers dat GPT‑5.5 bijzonder sterk is in autonome meerstapstaken en agentische workflows.

Claude Opus 4.7: uitblinker in codeerbenchmarks

Anthropic’s Claude Opus 4.7 wordt algemeen beschouwd als een van de sterkste modellen voor software-engineeringtaken.

De meest prominente benchmarkresultaten zijn:

• SWE‑bench Verified: 87,6%
• SWE‑bench Pro: 64,3%
• GPQA Diamond: 94,2%
• Terminal‑Bench 2.0: 69,4%

SWE‑bench evalueert of een model echte bugs in open-source repositories kan repareren. Het feit dat Opus 4.7 87,6% van de SWE‑bench Verified-taken oplost, is een aanzienlijke verbetering ten opzichte van zijn voorganger en plaatst het bij de beste modellen voor codeeragenten.

Hoewel de Terminal‑Bench-score achterloopt op GPT‑5.5, blijven de codeergerichte benchmarks tot de sterkste behoren die in openbare vergelijkingen zijn gerapporteerd.

Gemini 3.5 Flash: hoge prestaties met veel hogere snelheid

Google’s Gemini 3.5 Flash is ongebruikelijk omdat het is gepositioneerd als een snel, kostenefficiënt model in plaats van een vlaggenschip – maar toch levert het concurrerende resultaten op verschillende agentische benchmarks.

Gerapporteerde resultaten zijn:

• Terminal‑Bench 2.1: 76,2%
• MCP Atlas: 83,6%
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2%

Google zegt dat het model ongeveer vier keer sneller draait dan vergelijkbare frontiermodellen, terwijl het de eerdere Gemini 3.1 Pro overtreft op verschillende agent- en codeerbenchmarks.

In de praktijk is de grootste kracht van Gemini 3.5 Flash de snelheid-capabiliteit-afweging: het levert bijna vlaggenschipwaardige benchmarkresultaten terwijl het zich richt op lage latentie en productieworkloads.

DeepSeek V4: krachtige open‑weight uitdager

DeepSeek V4 is opmerkelijk omdat het een van de meest capabele open‑weight frontiermodellen is die tot nu toe zijn uitgebracht.

De modelfamilie omvat twee varianten:

• V4‑Pro (groot mixture‑of‑experts model)
• V4‑Flash (lichtere en efficiëntere variant)

Volgens het technische rapport van het model en samenvattingen van zijn benchmarks, behaalt V4‑Pro in de maximale redeneermodus:

• SWE‑bench Verified: 80,6%
• GPQA Diamond: 90,1%
• LiveCodeBench: 93,5%

Deze resultaten plaatsen het dicht bij toonaangevende propriëtaire modellen in sommige codeerbenchmarks.

Een onafhankelijke evaluatie door het Amerikaanse National Institute of Standards and Technology’s CAISI-programma wees echter uit dat de capaciteiten van het model ongeveer acht maanden achterlopen op de frontier, wat een gat benadrukt tussen zelfgerapporteerde en onafhankelijke resultaten.

Grok 4.3: sterke verbeteringen maar geen duidelijke frontrunner

xAI’s Grok 4.3 vertegenwoordigt een grote verbetering ten opzichte van eerdere Grok-modellen, vooral op het gebied van agentische taakbenchmarks.

Gepubliceerde cijfers zijn:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98%
• IFBench: 81%

De sprong van meer dan 300 Elo op GDPval‑AA in vergelijking met eerdere Grok-versies suggereert aanzienlijke vooruitgang op het gebied van realistische taakautomatisering.

Desalniettemin plaatsen analyses van derden het model over het algemeen onder de nieuwste OpenAI- en Anthropic-systemen op het gebied van algemene capaciteitsbenchmarks.

Wat het benchmarkbewijs in het algemeen suggereert

Als we naar deze evaluaties kijken, ontstaat een consistent patroon:

• Beste algemene agentische workflows: GPT‑5.5
• Beste codeergericht model: Claude Opus 4.7
• Beste snelheid-capabiliteit balans: Gemini 3.5 Flash
• Beste open‑weight kanshebber: DeepSeek V4 Pro
• Verbeterd maar middenklasse frontiermodel: Grok 4.3

Deze conclusies moeten echter als richtinggevend worden beschouwd en niet als definitief, omdat elke leverancier andere evaluatiesuites benadrukt.

Waarom ranglijsten van frontiermodellen onstabiel blijven

Benchmarkvergelijkingen in moderne AI worden om verschillende redenen steeds ingewikkelder:

1. Verschillende benchmarkversies. Terminal‑Bench 2.0 en 2.1 meten bijvoorbeeld vergelijkbare taken, maar produceren iets andere resultaten.
2. Redeneerinspanning. Veel modellen hebben nu configureerbare 'denk'-modi die de scores veranderen.
3. Door leveranciers gerapporteerde cijfers. Veel benchmarktabellen zijn afkomstig van modelintroductieberichten in plaats van onafhankelijke evaluaties.
4. Taakspecialisatie. Codeer-, agentische en kenniswerkbenchmarks belonen verschillende capaciteiten.

Door deze factoren wordt de werkelijke relatieve rangschikking van frontiermodellen vaak pas na maanden van onafhankelijk testen duidelijker.

De bottom line

Het nieuwste benchmarkbewijs toont geen enkel model dat elk domein domineert.

In plaats daarvan lijkt de huidige frontier gespecialiseerd:

• GPT‑5.5 leidt veel agentische workflowbenchmarks.
• Claude Opus 4.7 blinkt uit in realistische codeertaken.
• Gemini 3.5 Flash verlegt de grens van snelheid en prestaties.
• DeepSeek V4 laat zien dat open‑weight modellen propriëtaire capaciteiten kunnen benaderen.
• Grok 4.3 toont aanzienlijke verbetering, maar blijft achter bij de nieuwste leiders in de meeste brede evaluaties.

Naarmate onafhankelijke benchmarks convergeren en er meer appels-met-appels-testen verschijnen, zal de exacte rangschikking van deze systemen waarschijnlijk blijven evolueren.

Het model presteert ook sterk op kenniswerkbenchmarks: GDPval evalueert taken in tientallen beroepen, waaronder rechten, financiën en productmanagement, waarbij GPT‑5.5 in ongeveer 84,9% van de vergelijkingen professionals evenaart of verslaat.

Samen suggereren deze cijfers dat GPT‑5.5 bijzonder sterk is in autonome meerstapstaken en agentische workflows.

Claude Opus 4.7: uitblinker in codeerbenchmarks

Anthropic’s Claude Opus 4.7 wordt algemeen beschouwd als een van de sterkste modellen voor software-engineeringtaken.

De meest prominente benchmarkresultaten zijn:

• SWE‑bench Verified: 87,6%
• SWE‑bench Pro: 64,3%
• GPQA Diamond: 94,2%
• Terminal‑Bench 2.0: 69,4%

SWE‑bench evalueert of een model echte bugs in open-source repositories kan repareren. Het feit dat Opus 4.7 87,6% van de SWE‑bench Verified-taken oplost, is een aanzienlijke verbetering ten opzichte van zijn voorganger en plaatst het bij de beste modellen voor codeeragenten.

Hoewel de Terminal‑Bench-score achterloopt op GPT‑5.5, blijven de codeergerichte benchmarks tot de sterkste behoren die in openbare vergelijkingen zijn gerapporteerd.

Gemini 3.5 Flash: hoge prestaties met veel hogere snelheid

Google’s Gemini 3.5 Flash is ongebruikelijk omdat het is gepositioneerd als een snel, kostenefficiënt model in plaats van een vlaggenschip – maar toch levert het concurrerende resultaten op verschillende agentische benchmarks.

Gerapporteerde resultaten zijn:

• Terminal‑Bench 2.1: 76,2%
• MCP Atlas: 83,6%
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2%

Google zegt dat het model ongeveer vier keer sneller draait dan vergelijkbare frontiermodellen, terwijl het de eerdere Gemini 3.1 Pro overtreft op verschillende agent- en codeerbenchmarks.

In de praktijk is de grootste kracht van Gemini 3.5 Flash de snelheid-capabiliteit-afweging: het levert bijna vlaggenschipwaardige benchmarkresultaten terwijl het zich richt op lage latentie en productieworkloads.

DeepSeek V4: krachtige open‑weight uitdager

DeepSeek V4 is opmerkelijk omdat het een van de meest capabele open‑weight frontiermodellen is die tot nu toe zijn uitgebracht.

De modelfamilie omvat twee varianten:

• V4‑Pro (groot mixture‑of‑experts model)
• V4‑Flash (lichtere en efficiëntere variant)

Volgens het technische rapport van het model en samenvattingen van zijn benchmarks, behaalt V4‑Pro in de maximale redeneermodus:

• SWE‑bench Verified: 80,6%
• GPQA Diamond: 90,1%
• LiveCodeBench: 93,5%

Deze resultaten plaatsen het dicht bij toonaangevende propriëtaire modellen in sommige codeerbenchmarks.

Een onafhankelijke evaluatie door het Amerikaanse National Institute of Standards and Technology’s CAISI-programma wees echter uit dat de capaciteiten van het model ongeveer acht maanden achterlopen op de frontier, wat een gat benadrukt tussen zelfgerapporteerde en onafhankelijke resultaten.

Grok 4.3: sterke verbeteringen maar geen duidelijke frontrunner

xAI’s Grok 4.3 vertegenwoordigt een grote verbetering ten opzichte van eerdere Grok-modellen, vooral op het gebied van agentische taakbenchmarks.

Gepubliceerde cijfers zijn:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98%
• IFBench: 81%

De sprong van meer dan 300 Elo op GDPval‑AA in vergelijking met eerdere Grok-versies suggereert aanzienlijke vooruitgang op het gebied van realistische taakautomatisering.

Desalniettemin plaatsen analyses van derden het model over het algemeen onder de nieuwste OpenAI- en Anthropic-systemen op het gebied van algemene capaciteitsbenchmarks.

Wat het benchmarkbewijs in het algemeen suggereert

Als we naar deze evaluaties kijken, ontstaat een consistent patroon:

• Beste algemene agentische workflows: GPT‑5.5
• Beste codeergericht model: Claude Opus 4.7
• Beste snelheid-capabiliteit balans: Gemini 3.5 Flash
• Beste open‑weight kanshebber: DeepSeek V4 Pro
• Verbeterd maar middenklasse frontiermodel: Grok 4.3

Deze conclusies moeten echter als richtinggevend worden beschouwd en niet als definitief, omdat elke leverancier andere evaluatiesuites benadrukt.

Waarom ranglijsten van frontiermodellen onstabiel blijven

Benchmarkvergelijkingen in moderne AI worden om verschillende redenen steeds ingewikkelder:

1. Verschillende benchmarkversies. Terminal‑Bench 2.0 en 2.1 meten bijvoorbeeld vergelijkbare taken, maar produceren iets andere resultaten.
2. Redeneerinspanning. Veel modellen hebben nu configureerbare 'denk'-modi die de scores veranderen.
3. Door leveranciers gerapporteerde cijfers. Veel benchmarktabellen zijn afkomstig van modelintroductieberichten in plaats van onafhankelijke evaluaties.
4. Taakspecialisatie. Codeer-, agentische en kenniswerkbenchmarks belonen verschillende capaciteiten.

Door deze factoren wordt de werkelijke relatieve rangschikking van frontiermodellen vaak pas na maanden van onafhankelijk testen duidelijker.

De bottom line

Het nieuwste benchmarkbewijs toont geen enkel model dat elk domein domineert.

In plaats daarvan lijkt de huidige frontier gespecialiseerd:

• GPT‑5.5 leidt veel agentische workflowbenchmarks.
• Claude Opus 4.7 blinkt uit in realistische codeertaken.
• Gemini 3.5 Flash verlegt de grens van snelheid en prestaties.
• DeepSeek V4 laat zien dat open‑weight modellen propriëtaire capaciteiten kunnen benaderen.
• Grok 4.3 toont aanzienlijke verbetering, maar blijft achter bij de nieuwste leiders in de meeste brede evaluaties.

Naarmate onafhankelijke benchmarks convergeren en er meer appels-met-appels-testen verschijnen, zal de exacte rangschikking van deze systemen waarschijnlijk blijven evolueren.