AI-hallucinaties per model: wat ranglijsten werkelijk meten

Een vergelijking van AI-hallucinaties per model levert verschillende antwoorden op, afhankelijk van de test. Op 1 november 2026 heeft Googles Gemini 4 Argon het laagste hallucinatiepercentage op de kennistest van Artificial Analysis (4%), maar het hoogste van de vier grote topmodellen op de ranglijst van Vectara voor documentensamenvattingen (12.1%).

Een AI-hallucinatie is een zelfverzekerde uitspraak van een model die feitelijk onjuist is of niet in de brontekst staat. Het hallucinatiepercentage is het aandeel antwoorden, of afhankelijk van de test onbeantwoorde en gemiste vragen, waarbij het model feiten verzint in plaats van zich op een bron te baseren of toe te geven dat het iets niet weet.

AI-hallucinaties per model: de cijfers voor 2026 in één oogopslag

De huidige hallucinatiepercentages per model verschillen sterk tussen tests met een brondocument en geheugentests zonder hulpmiddelen. Op 1 november 2026 plaatsen de twee meest geciteerde openbare ranglijsten, Vectara’s Hallucination Leaderboard (laatst bijgewerkt op 22 oktober 2026) en AA-Omniscience v1.1 van Artificial Analysis (gestart in oktober 2026, gecontroleerd op 1 november 2026), dezelfde geavanceerde modellen in vrijwel omgekeerde volgorde.

Model	Vectara-hallucinatiepercentage (22 okt. 2026)	AA-Omniscience v1.1-hallucinatiepercentage	AA-Omniscience v1.1-nauwkeurigheid
GPT-6 Astra	8.7%	49.8% (Max)	61.6%
GPT-6 Sol / GPT-6.1 Sol*	6.5% (GPT-6 Sol)	51.9% (GPT-6.1 Sol, Max)	61.8% (GPT-6.1 Sol)
Claude Opus 5.5	9.9%	50.3% (Max)	65.5%
Claude Sonnet 5.5	Niet getest	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	Niet vastgelegd
Grok 4.7	Niet getest	20.0% (Xhigh)	42.7%

Let op: de ranglijst van Vectara van 22 oktober 2026 test OpenAI’s GPT-6 Sol, terwijl AA-Omniscience v1.1 de nieuwere GPT-6.1 Sol test. Het zijn verschillende modelversies en geen directe één-op-éénvergelijking.

Leg de twee kolommen naast elkaar en je ziet waarom koppen zo verwarrend zijn. Bij Vectara presteren GPT-6 Sol (6.5%) en GPT-6 Astra (8.7%) beter dan Claude Opus 5.5 (9.9%) en Gemini 4 Argon (12.1%). Bij Artificial Analysis staat Gemini 4 Argon op 4% en Grok 4.7 op 20.0%, terwijl GPT-6 Astra (49.8%) en Claude Opus 5.5 (50.3%) rond 50% zitten.

Geen van beide ranglijsten is kapot. Ze meten twee totaal verschillende taken.

Wat meet de hallucinatie-ranglijst van Vectara?

De hallucinatie-ranglijst van Vectara meet of een model trouw blijft aan een referentiedocument dat het moet samenvatten. In de update van 22 oktober 2026 vraagt Vectara elk model, waar mogelijk bij temperatuur 0, artikelen samen te vatten met „alleen de feiten die in het document staan”.

Om de resultaten te beoordelen gebruikt Vectara zijn commerciële evaluatiemodel voor hallucinaties, HHEM-2.3, op een privé-dataset met meer dan 7,700 artikelen van 50 tot 24,000 woorden over nieuws, technologie, wetenschap, geneeskunde, recht, sport, zaken en onderwijs. Door de artikelen privé te houden voorkomt Vectara dat ontwikkelaars modellen specifiek trainen om de test te halen.

Vectara rapporteert twee cijfers per model:

• Hallucinatiepercentage: het aandeel samenvattingen dat feitelijk niet overeenkomt met het brondocument.
• Antwoordpercentage: hoe vaak het model instemde met het samenvatten van het document in plaats van te weigeren.

Volgens Vectara kun je hallucinaties alleen betrouwbaar beoordelen met een referentietekst bij de hand. Daarmee is deze test een benadering voor retrieval-augmented generation (RAG) en agent-pijplijnen die zoekresultaten samenvatten. Op 22 oktober 2026 heeft antgroup/finix_s1_32b de laagste score van de hele lijst met 1.8% (99.5% antwoordpercentage). Van bekende modellen scoort xAI’s oudere Grok 3 5.8% (maar met een lager antwoordpercentage van 93.0%), GPT-6 Sol 6.5% (100% antwoordpercentage) en GPT-6 Astra 8.7% (100% antwoordpercentage). Aan de zwakkere kant van de genoemde modellen scoort xAI’s grok-4-1-fast 17.8% zonder redeneermodus (98.5% antwoordpercentage) en 19.2% in redeneermodus (99.7% antwoordpercentage), terwijl OpenAI’s o3-pro op 23.3% staat (100% antwoordpercentage). Op 22 oktober 2026 staan GPT-6.1 Sol, Claude Sonnet 5.5, Claude Haiku 5.5 en Grok 4.7 niet op de ranglijst van Vectara.

Als je voor je dagelijkse werk een pdf, contract of vergadertranscript in een AI-tool plakt en om een samenvatting vraagt, sluit de test van Vectara aan op je werkwijze.

Wat meet AA-Omniscience?

AA-Omniscience v1.1 van Artificial Analysis meet of een model feiten uit het geheugen kent en toegeeft wanneer het iets niet weet. Anders dan Vectara levert AA-Omniscience geen referentiedocumenten: het is een examen zonder hulpmiddelen met 3,000 vragen over zes domeinen, in oktober 2026 bijgewerkt vanuit een eerdere v1-set van 6,000 vragen.

De test staat beschreven in het artikel AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models van Jackson, Keating, Cameron en Hill-Smith. Artificial Analysis rapporteert per model drie hoofdmetingen plus het pogingpercentage:

• Nauwkeurigheid: juiste antwoorden gedeeld door alle 3,000 vragen.
• Hallucinatiepercentage: onjuiste antwoorden gedeeld door alle vragen die het model niet goed beantwoordde (onjuist + gedeeltelijk + niet geprobeerd). Eenvoudig gezegd: hoe vaak blufte het model bij niet goed beantwoorde vragen met een fout antwoord in plaats van „Ik weet het niet” te zeggen?
• Nettoscore (AA-Omniscience Index): een schaal van −100 tot 100 die juiste antwoorden beloont, foute bestraft en weigering niet bestraft. Een score van 0 betekent dat het model evenveel goede als foute antwoorden gaf.

Door deze noemer betekent een hallucinatiepercentage van 50% op AA-Omniscience niet dat het model de helft van de tijd ongelijk heeft. Neem Claude Opus 5.5 (Max) op 1 november 2026: het beantwoordt 65.5% van alle vragen goed. Bij de resterende vragen, die het niet goed beantwoordde, bluft het in 50.3% van de gevallen met een fout antwoord in plaats van zich te onthouden, wat een nettoscore van 48.1 oplevert.

Zo ziet een bredere selectie modellen op AA-Omniscience v1.1 er op 1 november 2026 uit:

Model (AA-instelling)	Nettoscore	Nauwkeurigheid	Hallucinatiepercentage	Pogingpercentage
Gemini 4 Carbon (High)*	53.5	58.3%	11.4%	64.3%
Claude Opus 5.5 (Max)	48.1	65.5%	50.3%	86.7%
Claude Fable 5.1 (Max)	46.3	68.4%	70.0%	93.7%
Gemini 4 Argon (High)	46	Niet vastgelegd	4%	Niet vastgelegd
GPT-6 Astra (Max)	42.4	61.6%	49.8%	82.4%
GPT-6.1 Sol (Max)	42.0	61.8%	51.9%	83.5%
Grok 4.7 (Xhigh)	31.2	42.7%	20.0%	55.7%
Claude Sonnet 5.5 (Max)	30.5	51.5%	43.3%	76.3%
GPT-6.1 Terra (Max)	29.6	47.6%	34.5%	68.4%
Gemini 3.8 Flash (High)	23.3	50.5%	55.1%	80.6%
Claude Haiku 5.5 (Max)	12.3	34.7%	34.2%	60.0%
MiniMax-M3.1-Flash	−6.4	45.1%	93.7%	98.7%
GPT-6 Luna (Max)	−8.3	39.6%	79.3%	90.4%

Let op: toen deze cijfers op 1 november 2026 werden vastgelegd, was Gemini 4 Carbon alleen beschikbaar via Googles Fairwind Program. Op 10 november 2026 werd het algemeen beschikbaar via de Gemini API; zie onze gids voor Gemini 4 Carbon.

Als je een feitelijke vraag rechtstreeks in een chatbot typt zonder bronmateriaal te plakken of webzoekopdrachten aan te zetten, weerspiegelt AA-Omniscience het risico dat je neemt.

Waarom verschillen LLM-ranglijsten voor hallucinaties?

LLM-ranglijsten voor hallucinaties ordenen dezelfde modellen anders omdat ze verschillende soorten fouten testen en anders rekenen. Gemini 4 Argon is het duidelijkste voorbeeld: op 1 november 2026 heeft het van de topmodellen het laagste hallucinatiepercentage op AA-Omniscience v1.1 (4%), maar het hoogste van de vier topmodellen die Vectara testte (12.1%, achter GPT-6 Sol met 6.5%, GPT-6 Astra met 8.7% en Claude Opus 5.5 met 9.9%).

Drie factoren verklaren dat verschil:

1. Brontrouw tegenover kalibratie

Vectara test brontrouw: kan het model een document dat voorligt samenvatten zonder externe details toe te voegen of een zin te verdraaien? AA-Omniscience test kalibratie: houdt het model zich in of gokt het wanneer het een feit niet uit het geheugen kent? Een model kan getraind zijn om zich beleefd te onthouden bij vragen over obscure feiten (en goed scoren op AA-Omniscience), maar bij het samenvatten van een artikel toch uitweiden of vrij parafraseren (en slechter scoren bij Vectara).

2. Verschillende noemers

Vectara deelt inconsistente samenvattingen door alle samenvattingen die het model schreef. AA-Omniscience deelt foute antwoorden alleen door de vragen die het model niet goed beantwoordde. Omdat de noemers totaal verschillen, kun je 8.7% bij Vectara niet vergelijken met 49.8% bij AA-Omniscience.

3. De afweging tussen voorzichtigheid en durf

De pogingpercentages op AA-Omniscience v1.1 tonen een duidelijk patroon: modellen die bijna elke vraag proberen, bluffen ook vaker bij vragen die ze missen. Anthropics duurste model, Claude Fable 5.1 (Max), heeft met 68.4% de hoogste nauwkeurigheid op de lijst, naast een pogingpercentage van 93.7%; bij de vragen die het niet goed beantwoordt gaat dat hoge pogingpercentage samen met 70.0% hallucinaties. Andere modellen met hoge pogingpercentages vertonen hetzelfde patroon bij lagere nauwkeurigheid: GPT-6 Luna (Max) probeert 90.4% van de vragen, beantwoordt 39.6% goed, bluft bij 79.3% van de gemiste vragen en eindigt met een nettoscore van −8.3. MiniMax-M3.1-Flash probeert 98.7% van de vragen, beantwoordt 45.1% goed en heeft een hallucinatiepercentage van 93.7% (nettoscore −6.4).

Omgekeerd houden modellen die vaker weigeren hun hallucinatiepercentage laag, maar beantwoorden ze in totaal minder vragen dan de modellen met de hoogste nauwkeurigheid. Grok 4.7 (Xhigh) probeert 55.7% van de test en haalt 20.0% hallucinaties bij 42.7% nauwkeurigheid. Gemini 4 Carbon (High) probeert 64.3% van de vragen en combineert 58.3% nauwkeurigheid met 11.4% hallucinaties voor de hoogste nettoscore van de lijst: 53.5.

Waarom zie je verschillende cijfers voor hetzelfde model?

Tegenstrijdige hallucinatiecijfers voor hetzelfde model komen meestal door benchmarkupdates en verschillende testdata. Als je de AI-modelreleases van najaar 2026 volgde, zag je misschien een veelgedeeld bericht van The Next Web van 2 oktober 2026. Daarin had Gemini 4 Argon een hallucinatiepercentage van 15% op AA-Omniscience, tegenover 51% voor GPT-6 Astra en 54% voor GPT-6.1 Sol, terwijl Argon 50% van de antwoorden goed had tegenover 63% voor Astra.

Een paar weken later, op de pagina van Artificial Analysis van 1 november 2026, staat Argon (High) op 4%, GPT-6 Astra (Max) op 49.8% (met 61.6% nauwkeurigheid) en GPT-6.1 Sol (Max) op 51.9% (met 61.8% nauwkeurigheid).

Een deel van het verschil komt door de benchmarkupdate: in oktober 2026 ging Artificial Analysis met AA-Omniscience van v1 (6,000 vragen) naar v1.1 (3,000 vragen) en verwijderde verzadigde vragen. Zoals Artificial Analysis op de evaluatiepagina aangeeft, scoren de meeste modellen lager op v1.1; dat weerspiegelt de gewijzigde dataset en geen achteruitgang van de modellen. Bovendien vonden de tests van 2 oktober plaats tijdens Argons vroege toegangsperiode, toen Google het model vóór bredere uitrol alleen aan een kleine groep cyberverdedigers had gegeven. Buiten de datasetwijziging en timing specificeert Artificial Analysis de precieze oorzaken van afzonderlijke scoreverschillen niet. Controleer daarom altijd van welke benchmarkversie en datum een cijfer afkomstig is.

Loop bij een kop die een specifiek hallucinatiepercentage noemt eerst deze vier punten na:

1. Welke test is het? Samenvatten met een bron (zoals Vectara) en feiten ophalen zonder hulpmiddelen (zoals AA-Omniscience) zijn niet uitwisselbaar.
2. Welke benchmarkversie en datum? Een cijfer van AA-Omniscience v1 van begin oktober 2026 is niet direct vergelijkbaar met een v1.1-cijfer van 1 november 2026.
3. Welke modelversie en instelling? GPT-6 Sol en GPT-6.1 Sol zijn verschillende versies; AA vermeldt ook redeneerinspanning of niveau-instellingen zoals (Max), (High) of (Xhigh).
4. Wat is de noemer? Controleer of het percentage betrekking heeft op alle prompts of alleen op de prompts die het model niet goed beantwoordde.

Hallucineert Claude minder dan ChatGPT?

Bij vergelijking van de kale modellen op 1 november 2026 hallucineren Anthropics Claude Opus 5.5 en OpenAI’s GPT-6 Astra vrijwel even vaak, zonder grote voorsprong voor een van beide.

Op Vectara’s samenvattingsranglijst van 22 oktober 2026 heeft OpenAI een klein voordeel: GPT-6 Astra hallucineert bij 8.7% van de samenvattingen en GPT-6 Sol bij 6.5%, tegenover 9.9% voor Claude Opus 5.5.

Op AA-Omniscience v1.1 (gecontroleerd op 1 november 2026) staan de twee topmodellen voor hallucinatiepercentage vrijwel gelijk: 50.3% voor Claude Opus 5.5 (Max) tegenover 49.8% voor GPT-6 Astra (Max) en 51.9% voor GPT-6.1 Sol (Max). Claude Opus 5.5 beantwoordt echter meer vragen goed (65.5% nauwkeurigheid tegenover 61.6% voor Astra en 61.8% voor 6.1 Sol), waardoor Opus 5.5 een hogere nettoscore heeft (48.1 tegenover 42.4 en 42.0).

Bij de kleinere niveaus op AA-Omniscience v1.1 wordt het verschil groter in het voordeel van Anthropic: Claude Sonnet 5.5 (Max) heeft 43.3% hallucinaties (51.5% nauwkeurigheid) en Claude Haiku 5.5 (Max) 34.2% (34.7% nauwkeurigheid, 60.0% pogingpercentage), terwijl OpenAI’s GPT-6 Luna (Max), bedoeld voor veelvuldig gebruik, bluft bij 79.3% van de gemiste vragen.

Een belangrijke kanttekening voor dagelijks gebruik: „Claude” en „ChatGPT” zijn consumentenapps, terwijl ranglijsten kale API-modellen testen. Bij gebruik van de ChatGPT- of Claude-app op het werk kunnen functies zoals ingebouwd zoeken op het web de uitkomst veranderen door actuele bronnen aan de prompt toe te voegen.

Wat de Stanford AI Index 2026 toevoegt en de promptfout die nauwkeurigheid onderuit haalt

Het 2026 AI Index Report van Stanford HAI (hoofdstuk 3, Responsible AI) plaatst deze cijfers in een bredere context. Bij eerdere modelgeneraties op beide benchmarks zag Stanford dat de beste 15 modellen op Vectara’s HHEM-lijst varieerden van 1.8% tot 5.4% (de meeste tussen 4% en 5%), terwijl 26 modellen op AA-Omniscience v1 met 6,000 vragen varieerden van 22% tot 94%: Grok 4.20 Beta 0305 was het laagst met 22%, Claude 4.5 Haiku stond op 26%, gpt-oss-20B (high) op 94% en Gemini 3 Flash op 92%. Stanford vatte de AA-maatstaf zo samen: „Een lager hallucinatiepercentage duidt erop dat het model meer weet of beter herkent wanneer het onzeker is.”

Stanford wees er ook op dat modelontwikkelaars nog weinig rapporteren over benchmarks voor verantwoorde AI, terwijl het aantal gedocumenteerde AI-incidenten in de AI Incident Database steeg van 233 in 2024 naar 362 in 2025.

Voor iedereen die AI op het werk gebruikt, is de bruikbaarste bevinding uit Stanfords hoofdstuk geen ranglijstscore, maar hoe moeilijk modellen objectieve kennis van een overtuiging van de gebruiker kunnen onderscheiden. Toen onderzoekers een onjuiste bewering in de prompt presenteerden als iets wat de gebruiker geloofde, stortte de feitelijke nauwkeurigheid in:

• GPT-4o daalde van 98.2% naar 64.4% nauwkeurigheid.
• DeepSeek R1 zakte van meer dan 90% naar 14.4% nauwkeurigheid.

Zelfs een model dat het juiste feit kent, laat dat dus vaak los en bevestigt je onjuiste aanname als je het antwoord stuurt.

Wat ik daadwerkelijk zou doen

Als je op deze tools vertrouwt voor echt werk, hoef je niet elke decimaal in een grafiek te onthouden. Zo zou ik deze bevindingen omzetten in dagelijkse gewoonten:

1. Kies de ranglijst die bij je werk past. Bouw je een RAG-pijplijn of vat je eigen pdf’s samen, let dan op de cijfers van Vectara, waar GPT-6 Sol (6.5%), GPT-6 Astra (8.7%) en Claude Opus 5.5 (9.9%) allemaal beter scoren dan Gemini 4 Argon (12.1%). Stel je feitelijke vragen zonder hulpmiddelen en wil je een model dat toegeeft wanneer het vastloopt, dan gokt Argon (4% op AA v1.1) veel terughoudender dan Astra (49.8%) of Opus 5.5 (50.3%). Gebruik voor een bredere keuze van het juiste niveau onze aanpak voor het kiezen van een AI-model.
2. Zet zoeken op het web aan of lever het document aan. Door het model de brontekst te geven of je chatapp op het web te laten zoeken, maak je van een geheugenvraag zonder hulpmiddelen een taak met bron, zoals Vectara-tests meten. Je krijgt ook een referentiedocument om het antwoord te controleren.
3. Geef het model expliciet toestemming om zich te onthouden. Verschillende geavanceerde modellen op AA-Omniscience proberen meer dan 80% van de vragen en bluffen bij ongeveer de helft van de gemiste vragen. Voeg één zin toe aan je prompt: „Als je niet zeker bent of het antwoord niet in de verstrekte tekst staat, zeg dan ‘Ik weet het niet’ in plaats van te gokken.”
4. Begin de prompt nooit met je eigen aanname. Denk aan Stanfords bevinding over kennis en overtuiging. Vraag niet: „Ik denk dat dit contract een opzegtermijn van 60 dagen toestaat, toch?” Vraag: „Wat zegt artikel 8 over opzegtermijnen?” Neutrale vragen voorkomen dat het model meegaat in je gok.
5. Controleer alles waaraan kosten verbonden zijn. Geen model op beide lijsten staat op 0%. Doorloop onze checklist voor het controleren van AI-antwoorden voordat je een statistiek, juridische verwijzing of medische bewering aan een klant of leidinggevende voorlegt.

FAQ

Welk AI-model hallucineert het meest?

Dat hangt af van de benchmark. Op AA-Omniscience v1.1 (gecontroleerd op 1 november 2026) bluffen MiniMax-M3.1-Flash (93.7%) en OpenAI’s kleine GPT-6 Luna (79.3%) het vaakst als ze een vraag missen, terwijl Claude Fable 5.1 (70.0%) het hoogst staat onder topmodellen. Op Vectara’s samenvattingslijst van 22 oktober 2026 staan OpenAI’s o3-pro (23.3%) en xAI’s grok-4-1-fast met redeneren (19.2%) en zonder redeneren (17.8%) dicht bij de onderkant van de genoemde modellen.

Hoeveel hallucineren AI-modellen?

Dat hangt af van de vraag of je brondocumenten aanlevert. Bij samenvatten met bron (Vectara, 22 oktober 2026) loopt de lijst van 1.8% tot 24.2%, en liggen de vier huidige topmodellen tussen 6.5% en 12.1%. Bij feitelijke vragen zonder hulpmiddelen (AA-Omniscience v1.1) bluffen veel geavanceerde modellen ongeveer de helft van de tijd wanneer ze een antwoord niet weten (GPT-6 Astra 49.8%, Claude Opus 5.5 50.3%, GPT-6.1 Sol 51.9%).

Hallucineert Claude minder dan ChatGPT?

Model tegen model liggen Claude en GPT-6 op 1 november 2026 vrijwel gelijk. Op Vectara’s samenvattingstest van 22 oktober 2026 verslaat GPT-6 Astra (8.7%) Claude Opus 5.5 (9.9%) nipt. Op AA-Omniscience v1.1 staan Opus 5.5 (50.3%) en Astra (49.8%) gelijk in hallucinatiepercentage, hoewel Opus 5.5 in totaal meer antwoorden goed heeft (65.5% tegenover 61.6%). In kleinere niveaus bluft Claude Haiku 5.5 (34.2%) veel minder dan GPT-6 Luna (79.3%).

Wat is het hallucinatiepercentage van Grok?

Op 1 november 2026 heeft xAI’s Grok 4.7 (Xhigh) op AA-Omniscience v1.1 een hallucinatiepercentage van 20.0%, met 42.7% nauwkeurigheid en een voorzichtig pogingpercentage van 55.7%. Grok 4.7 staat op 22 oktober 2026 niet op Vectara, waar oudere xAI-modellen 5.8% (grok-3), 17.8% (grok-4-1-fast zonder redeneren) en 19.2% (grok-4-1-fast met redeneren) scoorden. Eerder noteerde Stanfords 2026 AI Index Grok 4.20 Beta 0305 als laagste van 26 modellen op AA-Omniscience v1 met 22%.

Cijfers laatst gecontroleerd op 1 november 2026. Volgende controle: 30 november 2026.

Bronnen

• Vectara, Hallucination Leaderboard (bijgewerkt op 22 oktober 2026) en interactieve ranglijst op Hugging Face
• Artificial Analysis, AA-Omniscience Evaluation, v1.1 (gecontroleerd op 1 november 2026), en Jackson, Keating, Cameron en Hill-Smith, AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web, bericht over het hallucinatiepercentage van Gemini 4 Argon bij Artificial Analysis tegenover GPT-6 Astra, 2 oktober 2026
• Stanford HAI, 2026 AI Index Report — hoofdstuk 3: Responsible AI en pdf van hoofdstuk 3