AI-arena weekupdate: Mistral Large 4 debuteert in ranking

👁 113 keer gelezen

Deze week zijn er twee modellen toegevoegd aan de AI-arena (getest in het Pools): Mistral Large 4 en Mistral Large 4 (zonder reasoning). De hoogste binnenkomer is Mistral Large 4 op de 17e plaats tussen 26 cloudmodellen, met een gemiddelde score van 6,95 op 10. Aan kop blijft Claude Opus 5.5 ongewijzigd staan met 8,94 op 10.

De weekupdate van de arena brengt wekelijks de verschuivingen in kaart in de AI-arena: welke modellen zijn toegevoegd, wie is verschoven en waarom. Let op: we hebben de modellen getest in het Pools. De ranglijst bereken ik op basis van het gemiddelde oordeel van model-juryleden over 9 schrijftaken, vergezeld van de score uit het AI-testlab (0-100), die tevens tekstcorrectie en taalkundige regels omvat.

Nieuwe modellen in de arena

Mistral Large 4: 17e plaats

• Gemiddelde van de jury: 6,95 op 10 over 8 taken.
• Score in het testlab: 69,2 ptn op 100.
• Beste prestatie: vertaling van een nieuwsbrief - 8,3/10, 10e plaats van 26.
• Zwakste prestatie: blogartikel - 5,5/10, 19e plaats van 26.
• Niet beoordeeld (lege respons): productbeschrijving - deze taak telt niet mee voor het gemiddelde in de arena.

De volledige test met praktijkvoorbeelden van fouten vind je in: Mistral Large 4 - mijn test.

Mistral Large 4 (zonder reasoning): 19e plaats

• Gemiddelde van de jury: 6,50 op 10.
• Score in het testlab: 65,6 ptn op 100.
• Beste prestatie: reactie op een klacht van een klant - 7,5/10, 14e plaats van 26.
• Zwakste prestatie: leg inflatie uit aan een kind - 5,5/10, 25e plaats van 26.

De volledige test met voorbeelden: Mistral Large 4 - mijn test.

Wat vertellen de resultaten van Mistral Large 4?

Mistral Large 4 is het eerste nieuwe model in de arena sinds de aftrap op 2 oktober. In de labresultaten zijn in die periode geen andere modellen bijgekomen. De laatste eerdere runs (Llama 4 Maverick, Llama 4 Scout en Muse Glimmer 30B van 30 september) waren al vanaf dag één aanwezig.

• In tekstkwaliteit is Large 4 aanzienlijk beter dan zijn voorganger. Mistral Medium 3.5 heeft in de arena een gemiddelde van 5,13 en staat op plek 25, terwijl Large 4 met reasoning 6,95 scoort en op plek 17 binnenkomt. Het verschil is het grootst bij het maken van een samenvatting (7,8 tegenover 3,9) en het beantwoorden van een klacht (7,0 tegenover 4,1).
• In het lab verdwijnt het verschil nagenoeg: 69,2 punten tegenover 68,0. De labscore beoordeelt ook strikte promptinstructies en tekstcorrecties, waarbij Large 4 met reasoning bij de lastige correctietaak en de productbeschrijving zijn volledige tokenlimiet verbruikte en geen antwoord gaf. De arena negeert lege responses, maar in het lab telt dit als een fout.
• De versie zonder reasoning is goedkoper en consistenter. Met een gemiddelde van 6,50 staat hij op de 19e plaats, maar beantwoordde wel alle 9 taken. De 13 taken in het lab kostten voor deze versie ca. 0,013 EUR (0,015 USD) in plaats van ca. 0,120 EUR (0,134 USD) (omgerekend volgens de ECB-referentiekoers van 1 EUR = 1,1181 USD per 12-10-2026 via ecb.europa.eu).
• Tot de top is het gat aanzienlijk. Claude Sonnet 5.5 noteert 8,28, GPT-6.1 Sol 8,57 en zelfs het voordelige Gemini 3.8 Flash haalt 8,09. Wel blijft Large 4 modellen als GLM-5.3, Claude Haiku 4.5 en beide Llama 4-versies voor.

Over de release, specificaties en gewichten lees je meer in Mistral Large 4: release, parameters, prijzen en gewichten. Een vergelijking van tarieven vind je in Mistral Large 4 vs Claude, GPT, Gemini en DeepSeek. Details over het bedrijf vind je in de gids over Mistral AI.

Verschuivingen in het klassement

Alle dalingen van deze week zijn puur mechanisch van aard: 8 modellen zakten simpelweg omdat de nieuwkomers hoger instroomden. Hun inhoudelijke beoordelingen bleven gelijk.

Er waren minieme scoreverschuivingen zonder plaatswijziging voor Claude Opus 5.5 (-0,04) en GPT-6 Luna (-0,03). Dit ontstaat doordat ankermodellen opnieuw meedraaien in een benchmarkronde met een nieuw model: de jury beoordeelt hun antwoorden opnieuw, waardoor het totaalgemiddelde over alle rondes honderdsten kan afwijken.

Ranglijst na deze week

Hoe deze ranking tot stand komt

• Elk model krijgt dezelfde 9 opdrachten voorgelegd (uitgevoerd in het Pools): een artikel, een productbeschrijving, een antwoord op een klacht, een LinkedIn-post, een kort verhaal, 10 SEO-titels, een samenvatting, uitleg van inflatie aan een kind en een vertaling.
• De gegenereerde teksten worden blind beoordeeld door geautomatiseerde jury-modellen op drie punten: taalkundige correctheid, natuurlijkheid en het opvolgen van instructies. Het gemiddelde vormt de score van 0 tot 10.
• De ranking toont uitsluitend cloudmodellen. Lokaal draaiende modellen (getest op een RTX 4090) staan op een aparte lijst omdat die ronde milder beoordeeld werd.
• De mutaties worden berekend ten opzichte van de vorige weekupdate. Een daling in rangschikking bij een gelijkblijvende score betekent dat een nieuw model hoger is geplaatst.
• De laboratoriumscore (0-100) is een aparte testopzet: 70% jurybeoordeling, 20% strikte promptregels en 10% teksthygiëne, aangevuld met tekstcorrectie en taalkundige testen.

Verwacht in de komende week

Zodra een model uit de AI-releasekalender via een API beschikbaar komt, draait het mee in het testlab en vervolgens in de arena. Je kunt de teksten van alle modellen direct naast elkaar vergelijken in de AI-arena, en afbeeldingsmodellen bekijken in de arena voor beeldgeneratie.

// lees verderMicrosoft-Decision-1: prijs, ranking en testBenchmarksVidu Q4 Preview debuteert op plek 3 in AI-videorankingBenchmarksAI-muziek ranking Artificial Analysis: Suno v6 en Mureka V9.5Benchmarks

Kinetyra