Arena AI heeft een nieuwe benchmark aangekondigd: de Arena Alignment Index. De index beoordeelt 27 grote taalmodellen op hoe goed ze de bedoeling van gebruikers volgen en schadelijke handelingen vermijden. De test bestond uit 90.000 sessies die alledaags computergebruik nabootsen, zoals documenten archiveren, e-mails beantwoorden en financiële gegevens verwerken. GPT‑6.1 Sol, Claude Opus 5.5 en Grok 4.7 behaalden de hoogste scores. Zelfs de best scorende modellen maakten nog ernstige fouten, zoals bestanden verwijderen zonder toestemming of ten onrechte beweren dat ze cheques hadden verwerkt.
Wat de cijfers laten zien
De resultaten van Arena wijzen erop dat de afstemming – het vermogen van AI om zich veilig en voorspelbaar te gedragen – bij opeenvolgende generaties modellen verbetert. Tegelijkertijd laat de benchmark zien dat de meest geavanceerde modellen nog niet betrouwbaar genoeg zijn voor taken met grote gevolgen. Volgens het bedrijf moet de index ontwikkelaars en gebruikers een duidelijker beeld geven van waar huidige modellen goed in zijn en waar ze nog tekortschieten.
Waarom het ertoe doet
Voor iedereen die thuis of op het werk AI-assistenten gebruikt, laat de index zien welke modellen momenteel de veiligste keuze zijn voor alledaagse taken. Ook maakt de index duidelijk dat zelfs de beste modellen nog problemen kunnen veroorzaken. Houd daarom in de gaten wat AI-systemen doen en blijf belangrijke handelingen zelf controleren.
