Elk model krijgt dezelfde designbrief, dezelfde copy-opdracht en dezelfde codeertaak. Wij tonen precies wat er uitkomt: naast elkaar, ongefilterd, voor iedereen te controleren.
Zelfde model, drie promptniveaus, drie resultaten. Het model blijft hetzelfde. De context is wat verandert.
Elk model heeft een vorm: een uniek profiel van sterke en zwakke punten. Dat zie je niet aan een benchmark-score. Je moet het resultaat zien.
Ranglijsten reduceren AI-modellen tot één score. Maar een model dat 95 scoort op wiskunde kan slechte UI-code schrijven. Een model dat trivia-campioen is, levert vaak generieke, levenloze copy op. Eén getal verbergt meer dan het onthult.
Een totaalscore van 92% zegt niets over of een model een landingspagina kan ontwerpen, overtuigende copy kan schrijven of echte code kan debuggen.
De meeste benchmarks testen wat makkelijk te meten is: meerkeuzevragen, losse functies, leerboekproblemen. Niet waar mensen AI daadwerkelijk voor gebruiken.
Kleinere, gespecialiseerde modellen verslaan vaak flagship-modellen op specifieke taken. Ranglijsten op totaalscore begraven dat soort inzichten.
We testen modellen niet één keer. We testen ze met heldere specs, vage briefs, framework-constraints en alles daartussen, want echte prompts zijn nooit perfect.
Elke taak draait met meerdere promptstijlen: een korte vraag, een uitgebreide spec, een design.md, een shadcn-constraint. Want hoe je vraagt, doet er evenveel toe als wat je vraagt.
Wij leggen screenshots, gerenderde UI's en copyresultaten vast, niet alleen scores. Je ziet precies wat elk model opleverde, naast elkaar.
Frontier-modellen, open source, gespecialiseerde modellen. Niet iedereen heeft het nieuwste vlaggenschip nodig. Wij testen ze allemaal, zodat jij per taak het juiste gereedschap kiest.
Elke arena meet wat een model daadwerkelijk oplevert: van landingspagina tot dashboard, van copy tot motion. Zelfde taak, drie promptniveaus, drie resultaten. De context bepaalt het verschil.
Hero, waardepropositie, hiërarchie, CTA en mobiel gedrag.
Productverhaal, secties en functiehiërarchie.
Dichte UI, tabellen, filters, charts en statussen.
Chartkeuze, lay-out, legenda's en labels.
Formulier-UX, lege staten en duidelijkheid bij het eerste gebruik.
Planvergelijking, CTA-plaatsing en vertrouwenssignalen.
Productkaarten, winkelwagen en checkout-interactiestaten.
Repareer een kapotte mobiele layout op basis van screenshots.
Token-, kleur-, spacing- en componentregels.
Sterke copy direct op een echt gerenderde pagina.
Terughoudende motion, hover en reduced-motion.
Inspecteren, plannen, bouwen, verifiëren, fixen en samenvatten.
Schrijf de prompt, bepaal de beoordelingscriteria, specificeer het verwachte resultaat. Elke taak is versiebeheerd, zodat resultaten vergelijkbaar blijven.
Kies elke combinatie: frontier-modellen naast elkaar, open source tegenover closed, klein tegenover groot. Elk model draait de identieke taak.
Modellen draaien parallel. Wij leggen output vast: screenshots, copyresultaten en run-details. Niets blijft verborgen.
Resultaten naast elkaar met de volledige score-uitsplitsing. Klik op een score om het exacte resultaat erachter te zien. Begrijp waarom, niet alleen wat.
Nieuwe resultaten stromen binnen zodra ze klaar zijn. Elke visuele output, elk copyresultaat, elke code-diff: zichtbaar op het moment dat het binnenkomt.
Elke prompt, elke modeloutput en elke beoordelingsbeslissing is openbaar. Klik door naar antwoorden, gegenereerde bestanden en hoe elk criterium werd beoordeeld.
Elke test draait in een geïsoleerde omgeving zonder gedeelde state tussen runs. Dat maakt resultaten reproduceerbaar. Draai dezelfde test morgen opnieuw en je krijgt dezelfde condities.
Elk model krijgt dezelfde taak met drie niveaus van context. Het model blijft hetzelfde. De context bepaalt het resultaat.
Taken, modellen, resultaten, scoring, rapporten. Eén verbonden systeem.
Bekijk echte modeloutputs voor design, copy en code. Of log in om je eigen benchmarks te draaien met je eigen taken en API-keys.
