ai-modellennederlandsbenchmarkseuroevallokale-ai

Beste AI-model voor Nederlands: score, prijs en kennis

13 november 202613 min lezenPixel Management

Dit artikel is ook beschikbaar in het Engels

Op Nederlandse sentimentanalyse en samenvattingen verslaan de duurste taalmodellen de goedkope nauwelijks, maar over Nederland zelf weten ze soms twee keer zoveel.

Het beste AI-model voor Nederlands is op 6 november 2026 GPT-6 Astra, met een score van 1,17 op de onafhankelijke EuroEval-ranglijst, al ontbreken Claude 5.5, Gemini 4 en Mistral Large 4 op die lijst. Voor de meeste bedrijven is Astra niet de beste koop: GPT-6.1 Sol staat 0,05 punt lager en kost een vijfde. Wij hebben deze tests niet zelf gedraaid. Alle scores komen van EuroEval, gelezen op 6 november 2026, de prijzen van de prijspagina's van de makers op dezelfde dag.

Welk model is het beste AI-model voor Nederlands, per situatie?

Het beste AI-model voor Nederlands hangt af van wat je ermee doet, want geen enkel model wint overal. De keuze hieronder is onze lezing van de EuroEval-cijfers en de prijslijsten. De scores volgen in de rest van dit stuk, inclusief de grenzen van die data.

Wat je nodig hebtOnze keuzeEuroEval-score (lager is beter)Lijstprijs per miljoen tokens, in/uit
Beste totaalscore, prijs telt nietGPT-6 Astra1,17 ± 0,03$10 / $50
Beste balans voor gehost gebruikGPT-6.1 Sol1,22 ± 0,03$2 / $10
Sterk en goedkoperGemini 3.7 Flash1,29 ± 0,04$0,75 / $3,75 tot en met 31 december
Hoog volume, eenvoudige takenGPT-6 Luna1,82 ± 0,12$0,10 / $0,50
Data blijft op eigen hardwareGemma 4 31B, Qwen3.6 27B of Mistral Small 3.21,60 tot 1,82Geen tokenprijs, wel hardware en beheer
Nederlandse feiten zonder eigen documentenGemini 3.7 Flash of GPT-6.1 SolLokale kennis 87,12% en 86,48%Zie boven
Antwoorden uit je eigen documentenHet goedkoopste model dat slaagt op je eigen testBegrijpend lezen ligt dicht bij elkaarZie onder

De laatste rij is voor de meeste bedrijven de relevante.

Wat EuroEval meet, en wat het niet meet

EuroEval is een Europees benchmarkproject dat taalmodellen per taal test. De Nederlandse ranglijst telt 522 rijen, waarvan 183 een rangscore hebben, en gebruikt negen Nederlandse datasets verdeeld over acht taken: sentiment, namen herkennen, taalkundige correctheid, begrijpend lezen, samenvatten, kennis, gezond verstand en vereenvoudigen.

De score is een gemiddelde. Volgens de methodologie krijgt het beste model op een dataset een 1, en elk ander model 1 plus het aantal standaarddeviaties dat het achterstaat. Een score van 1,00 zou dus betekenen: overal de beste. De marge achter de score is een betrouwbaarheidsinterval van 95 procent.

Vier beperkingen wil je kennen voordat je zo'n score aan je directie laat zien:

  • De nieuwste vlaggenschepen ontbreken. Op 6 november stonden Claude 5.5, Gemini 4, Gemini 3.8 Flash en Mistral Large 4 niet op de lijst, en het nieuwste Claude-model daar is Sonnet 4.6 uit februari 2026. De aanvragen voor Claude Opus 5 en Mistral Large 4 staan open.
  • Alle toprijen zijn validatieruns. Dat zie je aan het label val, en EuroEval schrijft in zijn FAQ dat die scores "aren't strictly comparable" met scores op de testset. De hoogste rij op de testset is Mistral Small 3.2, met 1,82 ± 0,17.
  • De opzet verschilt per rij. GLM-5.3-Flash haalt 1,32 met voorbeelden in de prompt (few-shot) en 1,58 zonder (zero-shot). Dat verschil van 0,26 is groter dan de afstand tussen GPT-6 Astra en GLM zelf. Gehoste rijen zijn meestal zero-shot, open modellen meestal few-shot.
  • Agentwerk telt niet mee. Instructies opvolgen en tools gebruiken horen volgens de methodologie bij het Chat-bord, en dat staat voor het Nederlands nog op "soon". Deze score komt van het Generative-bord en zegt dus niets over een agent die in je systemen werkt.

Waar liggen AI-modellen in het Nederlands gelijk, en waar niet?

AI-modellen liggen in het Nederlands dicht bij elkaar op sentiment en samenvatten en ver uit elkaar op feitenkennis. Dat blijkt als je de 19 configuraties in de vijf hoogste rangen per dataset vergelijkt, een bewerking die wij zelf op de EuroEval-cijfers deden. Vergelijk binnen een rij, niet tussen rijen: de maten verschillen per taak.

TaakDatasetMaatLaagsteHoogsteVerschil
SamenvattenWikiLingua-nlCHRF3++31,9635,944,0
SentimentDBRDMCC89,5094,615,1
Begrijpend lezenSQuAD-nlF172,3084,5512,3
Kennis uit examensINCLUDE-nlMCC74,6394,6720,0
VereenvoudigenDuidelijke TaalMETEOR38,5459,7921,3
Namen herkennenCoNLL-nlF165,5387,8022,3
Taalkundige correctheidDutch CoLAMCC40,2364,8524,6
Gezond verstandWinogrande-nlMCC55,4192,9537,5
Lokale kennisMultiLoKo-nlMCC22,1484,2362,1

De vijf MCC-rijen zijn onderling wel te vergelijken. MCC loopt van -100 tot 100, en 0 is gokken. Sentiment op Nederlandse boekrecensies scheelt 5 punten, lokale kennis 62. Een model dat klantreacties moet indelen of een mail moet samenvatten, onderscheidt zich dus nauwelijks van zijn duurdere buurman.

"Taalgevoel is handelswaar" gaat alleen niet voor alles op. Bij gezond verstand scheelt het 38 punten, en het herkennen van namen en organisaties, de kern van het uitlezen van documenten, loopt uiteen van 66 tot 88. Bij vereenvoudigen ligt het anders. Daar komt het verschil vooral door één uitschieter: Gemini 3 Flash met denkstap scoort 38,54, de rest van de groep 47,91 of hoger.

Kent het model Nederland? Lokale kennis is het echte verschil

Lokale kennis over Nederland is de taak waarop AI-modellen het verst uiteenlopen, met een bereik van 41 tot 88 procent goede antwoorden binnen de top en 37 procent voor EuroLLM-22B. EuroEval test dat met MultiLoKo-nl, een dataset van 234 meerkeuzevragen over onderwerpen die voor Nederlandstaligen relevant zijn. De voorbeelden zijn van het kaliber "Hoeveel doelpunten maakte Youri Mulder in zijn laatste seizoen voor FC Twente?". Het model krijgt geen tekst mee en moet het antwoord uit zichzelf weten.

Deze dataset heeft geen aparte validatieset, zo blijkt uit de configuratie. Validatie- en testrijen worden hier dus op dezelfde vragen beoordeeld. Dat maakt dit de eerlijkste kolom van de ranglijst.

De GPT-6-klasse en Gemini Flash zitten rond de 86 tot 88 procent, terwijl open modellen die op één werkstation passen blijven steken op 41 tot 46 procent, dicht bij Claude Sonnet 4.6.

Lokale kennis over Nederland: aandeel goed beantwoord

Hoger is beter. 234 meerkeuzevragen, vier antwoordopties per vraag.

  • Open gewichten
  • Gesloten
  1. Gemini 3 Flash preview (denkstap aan)88,07%
  2. Gemini 3.7 Flash87,12%
  3. GPT-6.1 Sol86,48%
  4. GPT-6 Astra86,14%
  5. Gemini 3.6 Flash85,84%
  6. GPT-5.6 Sol75,49%
  7. GPT-6 Sol66,91%
  8. GLM-5.3-Flash63,56%
  9. Claude Sonnet 4.5 (denkstap aan)50,13%
  10. Claude Sonnet 4.646,31%
  11. Gemma 4 31B46,27%
  12. Qwen3.6 27B43,13%
  13. Mistral Small 3.241,07%
  14. EuroLLM-22B37,38%

Blind gokken: 25%

Bron: EuroEval, MultiLoKo-nl, stand 6 november 2026. Kleine vragenset. De foute antwoordopties zijn met GPT-4.1 gemaakt en EuroEval kan niet uitsluiten dat testvragen in trainingsdata zijn beland. GLM en de open modellen liepen few-shot, de gesloten modellen zero-shot.

Drie dingen vallen op, en ze zijn alle drie reden om deze kolom niet als waarheid te lezen.

De instelling telt zwaar. Hetzelfde Gemini 3 Flash preview haalt met denkstap 88,07 procent en zonder denkstap 27,94 procent, nauwelijks boven blind gokken. EuroEval legt niet uit waarom. Je koopt dus geen model, maar een model met een instelling, en die denkstap betaal je: Google rekent denktokens volgens zijn prijspagina als uitvoer, en EuroEval geeft denkende modellen een budget van 8.192 tokens. Volledig gebruikt is dat bij $3 per miljoen bijna 2,5 dollarcent per vraag, nog voor het antwoord.

Eén puntversie kan veel schelen. GPT-6 Sol haalt 66,91 procent, GPT-6.1 Sol 86,48. Wij weten niet waarom. Eén mogelijke verklaring is besmetting: de vragen komen uit de dev-set van MultiLoKo, een benchmark uit april 2025, en EuroEval schrijft zelf dat het niet kan voorkomen dat publieke testdata in trainingscorpora belandt. Dat is een hypothese, geen vaststelling.

Tot slot is de set klein en deels tijdgebonden. Bij 234 vragen zegt een verschil van een paar procent weinig, en de foute opties zijn met GPT-4.1 gemaakt, een model dat op dezelfde lijst staat. INCLUDE-nl, een tweede kennistest met examenvragen op 57 onderwerpen, laat binnen dezelfde groep 20 punten MCC verschil zien in plaats van 62. Het gat zit dus vooral in specifiek Nederlandse feiten, niet in kennis in het algemeen.

Waarom eigen documenten het gat bij lokale kennis dichten

Eigen documenten dichten het gat bij lokale kennis, omdat een model dan niets uit het hoofd hoeft te weten. De kennistaak van EuroEval geeft geen context mee. Bij begrijpend lezen krijgt het model de tekst er wel bij, en daar verdwijnt de voorsprong van de dure modellen. De drie lokale kandidaten staan op SQuAD-nl zelfs boven GPT-6 Astra.

ModelLokale kennis, zonder tekst (% goed)Begrijpend lezen, met tekst (F1)Opzet
GPT-6 Astra86,1474,83zero-shot, val
GPT-6.1 Sol86,4873,82zero-shot, val
Gemini 3.7 Flash87,1276,55zero-shot, val
Gemma 4 31B46,2778,67few-shot, val
Qwen3.6 27B43,1381,01few-shot, val
Mistral Small 3.241,0781,05few-shot, test

Trek hier geen te harde conclusie uit. Few-shot helpt, en precies die rijen staan bovenaan, dus "open is beter dan Astra" staat er niet. SQuAD-nl is bovendien een machinevertaling van een Engelse dataset, met een handmatig gecorrigeerde testset. De conclusie die wel overeind blijft: met de juiste tekst erbij haalt ook een klein open model een score op het niveau van de top.

Daarmee verschuift de vraag van "welk model weet het meest" naar "vindt mijn systeem de juiste passage", want bij RAG haalt het systeem die passage eerst uit je eigen documenten en geeft het die mee aan het model. EuroEval test dat zoekwerk niet: de dataset levert de juiste tekst kant-en-klaar aan. In een echt project zit daar het werk: slecht geknipte PDF's, verouderde versies en tabellen die als platte tekst binnenkomen.

Voor bedrijfsfeiten was een model toch nooit de bron. Geen enkel taalmodel kent je eigen prijslijst, cao-afspraken of productspecificaties. Wie op die vragen stuurt, heeft weinig aan 88 procent op Youri Mulder.

Voor werk op basis van je eigen documenten is lokale kennis in het model zelf nauwelijks een selectiecriterium. Test hoe goed het model een aangereikte tekst leest, en besteed je budget aan de kwaliteit van het zoeken.

Nederlands tegen welke prijs?

De lijstprijs van een AI-model zegt weinig over zijn Nederlands: GPT-6.1 Sol kost een vijfde van GPT-6 Astra en staat 0,05 punt lager, Gemini 3.7 Flash kost ruim dertien keer minder dan Astra en staat 0,12 punt lager. Die vergelijking koppelt twee bronnen die niet voor elkaar gemaakt zijn. Prijzen zijn op 6 november 2026 gelezen bij OpenAI, Google Cloud, Google AI Studio en Anthropic. De gemengde prijs is onze aanname: drie delen invoer op één deel uitvoer.

Nederlands tegen lijstprijs

Hoger in de grafiek is beter. Prijs: drie delen invoer, één deel uitvoer, logaritmische schaal.

  • Geen goedkoper model scoort beter
  • Een goedkoper model scoort beter

Bron: EuroEval (Nederlands) en prijspagina's van OpenAI, Google en Anthropic, stand 6 november 2026. Alle rijen zijn validatieruns. De prijzen van Gemini 3.6 en 3.7 Flash verdubbelen op 1 januari 2027. Claude-punten zijn oudere modellen: Claude 5.5 staat niet op de lijst. Marges zijn niet getekend.

Bekijk de cijfers
Gemengde lijstprijs per miljoen tokensEuroEval-score
GPT-6 Astra$201,17
GPT-6.1 Sol$41,22
Gemini 3.7 Flash$1,51,29
Gemini 3.6 Flash$1,51,39
GPT-5.6 Sol$81,45
GPT-6 Sol$41,48
Gemini 3 Flash preview (denkstap aan)$1,1251,55
Claude Sonnet 4.5 (denkstap aan)$61,57
GPT-5.6 Terra$4,51,65
Claude Sonnet 4.6$61,8
GPT-5.6 Luna$0,451,8
GPT-6 Luna$0,21,82
Gemini 3.5 Flash-Lite$0,851,88
Claude Haiku 4.5$22,08

Reken het door op een voorbeeld, indicatief en met deze aannames: 100 miljoen tokens per maand, driekwart invoer, korte context, geen cache, geen denktokens, standaardtarief.

ModelInvoer, 75 miljoenUitvoer, 25 miljoenPer maand
GPT-6 Astra$750$1.250$2.000
GPT-6.1 Sol$150$250$400
Gemini 3.7 Flash, tot en met 31 december$56,25$93,75$150
Gemini 3.7 Flash, vanaf 1 januari 2027$112,50$187,50$300
GPT-6 Luna$7,50$12,50$20

Lees deze tabel als ondergrens. Vier dingen vertekenen de vergelijking:

  • Een model dat veel denkt, kost per antwoord meer dan zijn tokenprijs doet vermoeden. Daarom vergelijken we in kosten per taak op de hele taak, niet op de token.
  • Prijzen leven kort. Google rekent voor Gemini 3.6, 3.7 en 3.8 Flash een introductieprijs tot en met 31 december 2026 en verdubbelt daarna, dus zet in een business case de datum erbij.
  • De Claude-punten zijn oud. Sonnet 4.5 en 4.6 kosten $3/$15, terwijl Sonnet 5.5 nu $2/$10 kost en niet getest is. De grafiek zegt dus niets over de huidige Claude-lijn.
  • DeepSeek-flash staat er niet in, omdat die naam inmiddels naar een nieuwere build wijst dan EuroEval testte. GLM-5.3-Flash ontbreekt omdat we geen prijs op een eigen pagina van de maker konden bevestigen.

Voorspelt een Engelse benchmark het Nederlands?

Een Engelse benchmark voorspelt de Nederlandse volgorde goed, maar minder goed aan de top. Wij berekenden de rangcorrelatie (Spearman) tussen de Nederlandse en Engelse EuroEval-score voor alle 183 modellen die op beide lijsten een rangscore hebben: 0,955. Beperk je het tot de 40 rijen in de zeven hoogste Nederlandse rangen, dan is het 0,84.

Engelse ranglijsten zijn dus prima voor een eerste selectie, want een model dat in het Engels matig is, wordt in het Nederlands niet opeens goed. Aan de top gaat de volgorde wel schuiven. DeepSeek-flash zonder denkstap staat in het Engels in rang 1 met 1,15 en in het Nederlands in rang 4 met 1,50. GPT-6 Astra is omgekeerd in het Nederlands de nummer 1 en in het Engels rang 2.

Een uitspraak als "Engelse benchmarks zeggen niets over Nederlands" klopt dus niet. Wel klopt: wie tussen de bovenste vijf modellen kiest voor Nederlands werk, heeft aan een Engelse rangorde te weinig.

Welke AI-modellen draai je lokaal voor Nederlands?

Voor lokaal gebruik in het Nederlands zijn Gemma 4 31B, Qwen3.6 27B en Mistral Small 3.2 de logische startpunten: alle drie open onder Apache 2.0, alle drie op een rangscore tussen 1,60 en 1,82, en klein genoeg voor één werkstation. Hun marges overlappen. De ranglijst kiest hier niet voor je.

ModelLicentieEuroEval-scoreLokale kennisDownload, 4-bit-versie (Ollama)Maker
Qwen3.6 27BApache 2.01,60 ± 0,21 (val)43,13%17 GBAlibaba, China
Gemma 4 31BApache 2.01,64 ± 0,19 (val)46,27%20 GBGoogle, VS
Mistral Small 3.2Apache 2.01,82 ± 0,17 (test)41,07%15 GBMistral, Frankrijk

Let op het verschil tussen geteste en gedownloade versie. EuroEval testte Qwen3.6 in FP8, terwijl de 4-bit-download lichter is, en die 4-bit-kwaliteit is niet op deze lijst gemeten. Voor Mistral Small 3.2 noemt de modelkaart ongeveer 55 GB GPU-geheugen op volle precisie. Neem de downloadgrootte dus niet als hardware-eis, en reken op extra geheugen voor context en gelijktijdige gebruikers. Wat bij welke hardware past, staat in open-weight modellen tegenover frontier.

Het sterkste open model op de lijst is GLM-5.3-Flash, met 1,32 ± 0,15 en 63,56 procent op lokale kennis. Met ruim 321 miljard parameters past dat niet op een gewone werkstation-GPU: reken op een server, of op een Mac met veel geheugen.

Onze volgorde voor een eerste test: begin met Mistral Small 3.2 als je beleid een Europese maker vraagt, want dat is ook de enige van de drie met een testset-score. Begin met Gemma 4 31B of Qwen3.6 als je het hoogste plafond wilt. Past een klein taalmodel niet op een taak, routeer die taak dan naar een groter model, in plaats van alles duur te maken. Zo'n opzet bouwen we binnen lokale AI.

GPT-NL, GEITje en Fietje: is een Nederlands model beter?

Een specifiek Nederlands model is op dit moment niet de betere keuze, omdat op de ranglijst geen commercieel bruikbaar Nederlands model met een volledige score staat. GPT-NL staat niet op EuroEval. De site van GPT-NL meldt "Najaar 2026: GPT-NL v.1" en schrijft: "Ons model is vooralsnog enkel beschikbaar voor Launching Customers." De Hugging Face-pagina van het project toont op 6 november nul publieke modellen. We hebben geen gepubliceerde scores gevonden. Meer over de context staat in GPT-NL en Europese AI, maar kijk daar voor de actuele status naar de site zelf.

GEITje-7B-ultra en Fietje vallen af op licentie. GEITje-7B-ultra staat onder CC-BY-NC-4.0, en op de modelkaart van Fietje staat dat het niet commercieel gebruikt mag worden. Let op: EuroEval zet bij fietje-2b-instruct een vinkje in de kolom Commercial. Controleer een licentie dus altijd bij de bron. Geen van beide heeft een rangscore, omdat ze niet op alle datasets gedraaid zijn.

Europese modellen staan wel op de lijst, maar niet bovenaan. EuroLLM-22B-Instruct haalt 2,07 ± 0,19 op de testset en Apertus v1.5 70B haalt 2,04 ± 0,20 op validatie. Een Nederlandse of Europese herkomst kan een goede reden zijn om te kiezen, bijvoorbeeld voor transparantie over trainingsdata. Taalkwaliteit is die reden nu niet.

Feitelijk juist is iets anders dan eerlijk over twijfel

De studie "Grip on LLMs" van de Gemeente Amsterdam en de Universiteit van Amsterdam laat zien dat een model dat vaak gelijk heeft, niet hoeft toe te geven wanneer het iets niet weet. Het paper van 10 augustus 2026 testte 31 modellen voor overheidsgebruik in het Nederlands. GPT-5 scoorde het hoogst op feitelijkheid (0,76) en het laagst op eerlijkheid (0,14), GPT-4o haalde 0,43 op eerlijkheid. De auteurs concluderen dat geen enkel model op alle dimensies uitblinkt.

Eerlijkheid betekent hier: erkent het model onzekerheid of de grenzen van wat het kan. De studie liep via de Azure-omgeving van de gemeente, zonder Claude, en op modellen uit de generatie van GPT-5, dus de cijfers zeggen niets over de GPT-6-lijn. Het principe is wel bruikbaar. Bij een kennisassistent voor medewerkers is "ik weet het niet" vaak het beste antwoord. EuroEval toont een aparte kolom voor hallucinaties, maar die telt niet mee in de rangscore.

Hoe test je een AI-model op Nederlands voor je eigen bedrijf?

Een eigen test op Nederlands kost een paar dagen en beslist meer dan elke ranglijst, omdat geen benchmark jouw jargon, documenten en foutkosten kent. De volledige methode staat in AI-benchmarks beoordelen. Voor Nederlands voegen we daar vijf onderdelen aan toe:

  1. Neem echte Nederlandse teksten met je eigen vaktaal, afkortingen en Vlaamse of informele schrijfwijzen.
  2. Test namen en bedragen uit je eigen administratie apart. CoNLL-nl liet tussen de topmodellen een gat van 22 punten zien.
  3. Stel twintig feitenvragen over je branche zonder document erbij en tel hoe vaak het model een antwoord verzint in plaats van twijfel te melden.
  4. Draai elk model met en zonder denkstap, en met en zonder voorbeelden in de prompt. Op EuroEval verschoof de ene keuze GLM-5.3-Flash van 1,32 naar 1,58, de andere Gemini 3 Flash van 88 naar 28 procent op lokale kennis.
  5. Meet de kosten per afgehandelde taak, niet per token.

Een situatie waarin je dit allemaal niet nodig hebt: je classificeert of vat korte Nederlandse tekst samen en de uitkomst wordt door een mens gecontroleerd. Neem dan het goedkoopste model dat een paar tests haalt. Een duurder model koop je daarvoor niet.

Wil je die selectie laten doen op je eigen processen? Hoe je zo'n traject inkoopt, staat in onze gids over AI-advies inhuren. Wij doen die selectie binnen AI-advies.

Dienst

Meer weten over lokale AI?

Bekijk dienst →

Benieuwd hoeveel tijd jij kunt besparen?

Vraag een gratis efficiëntie-audit aan. Wij analyseren je processen en laten zien waar de winst zit, vrijblijvend.