Stealth-model: hoe AI-bedrijven hun nieuwste taalmodel anoniem testen
Stel je voor: een autofabrikant test een nog niet aangekondigde auto op de openbare weg, maar de carrosserie is volledig afgeplakt met zwarte tape en camouflagefolie. Voorbijgangers zien wel dat er iets nieuws rijdt, maar niet van welk merk of model het is. In de wereld van kunstmatige intelligentie (AI) bestaat een vergelijkbaar fenomeen: het stealth-model. Dat is een taalmodel (een AI-systeem dat tekst begrijpt en genereert, zoals ChatGPT of Gemini) dat een bedrijf laat testen onder een nietszeggende of misleidende naam, zonder te onthullen wie de maker is of hoe het model straks officieel zal heten.
Het woord 'stealth' komt uit het Engels en betekent letterlijk 'onopgemerkt' of 'sluipend' — hetzelfde woord dat wordt gebruikt voor onzichtbare gevechtsvliegtuigen (stealth-bommenwerpers). Bij een stealth-model gaat het niet om radar ontwijken, maar om onder de radar van pers, concurrenten en het grote publiek te blijven. Gebruikers chatten intussen gewoon met het model, vaak zonder te beseffen dat ze meedoen aan een verborgen test van bijvoorbeeld OpenAI, Google of xAI.
Wat is het precies?
Stealth-modellen duiken meestal op via zogeheten arena-platforms: websites waar bezoekers gratis kunnen chatten met AI-modellen en vervolgens stemmen welk antwoord ze beter vinden. Het bekendste voorbeeld is LMArena (voorheen LMSYS Chatbot Arena), een initiatief dat is voortgekomen uit onderzoek aan de University of California, Berkeley.
Het werkt in stappen. Eerst dient een AI-bedrijf een nog onaangekondigd model in bij het platform, maar dan onder een codenaam zoals 'gpt2-chatbot' of 'chocolate' in plaats van de echte productnaam. Vervolgens krijgt een willekeurige bezoeker die iets typt twee antwoorden te zien: één van het geheime model en één van een bekend model, zonder te weten welke van welke is. De bezoeker kiest de beste reactie, en die stem telt mee voor een Elo-rating — een puntensysteem dat oorspronkelijk uit het schaken komt en aangeeft hoe sterk een model presteert ten opzichte van andere modellen. Zo verzamelt het bedrijf duizenden eerlijke, ongefilterde oordelen van echte gebruikers voordat het model officieel op de markt komt.
Soms verschijnen stealth-modellen ook op andere plekken, zoals API-doorgeefluiken (diensten die toegang geven tot meerdere AI-modellen via één aansluiting) waar een nieuw model tijdelijk gratis of onder een vage naam beschikbaar is. Techneuten en journalisten proberen dan aan de hand van schrijfstijl, kennis en foutjes te 'raden' welk bedrijf erachter zit — vaak met vallen en opstaan.
Wat wil men ermee bereiken?
Het belangrijkste doel is eerlijke feedback verzamelen zonder merkverwachtingen. Als bekend is dat een antwoord van 'GPT-5' komt, oordelen mensen vaak welwillender dan wanneer ze denken met een onbekend model te praten. Door de identiteit te verbergen, krijgt een bedrijf een zuiverder beeld van hoe goed het model daadwerkelijk presteert in de ogen van gewone gebruikers.
Daarnaast is er een strategisch motief: concurrentie-analyse zonder de eigen plannen prijs te geven. Een bedrijf kan zo zien hoe het scoort ten opzichte van rivalen voordat het zich vastlegt op een lanceerdatum of marketingcampagne. Mislukt de test, dan trekt het bedrijf het model stilletjes terug zonder gezichtsverlies — er was immers nooit een officiële aankondiging.
Tot slot speelt marketing een rol. Wanneer een stealth-model na verloop van tijd 'ontmaskerd' wordt als het nieuwe vlaggenschip van een groot bedrijf, ontstaat er vanzelf mediahype: journalisten en techliefhebbers speculeren wekenlang online, wat gratis aandacht oplevert zodra het model officieel wordt gelanceerd.
Voorbeelden uit de praktijk
In april 2024 dook op de toenmalige LMSYS Chatbot Arena een model op met de vreemde naam 'gpt2-chatbot'. Ondanks de naam leek het niets te maken te hebben met het oude, kleine GPT-2 van OpenAI uit 2019: de antwoorden waren opvallend sterk. Techmedia en gebruikers speculeerden wekenlang over de ware identiteit, tot het model kort verdween en later terugkeerde onder namen als 'im-a-good-gpt2-chatbot' en 'im-also-a-good-gpt2-chatbot'. Toen OpenAI in mei 2024 zijn nieuwe model GPT-4o aankondigde, bevestigden signalen van het bedrijf zelf dat dit dezelfde modelfamilie betrof — een schoolvoorbeeld van een geslaagde stealth-testfase.
In april 2025 zorgde Meta voor ophef rond de release van zijn Llama 4-modellen. Op LMArena scoorde een versie genaamd 'Llama-4-Maverick-experimental' opvallend hoog, maar bleek dit een speciaal voor menselijke voorkeur bijgeschaafde variant te zijn die afweek van het model dat vervolgens daadwerkelijk werd uitgebracht voor ontwikkelaars. Critici in de AI-gemeenschap noemden dit een vorm van 'benchmark gaming': het optimaliseren van een test-versie specifiek om op een ranglijst te scoren, zonder dat gewone gebruikers dat exacte model ooit te pakken kregen.
Ook xAI, het bedrijf van Elon Musk, wordt in verband gebracht met stealth-testen: voorafgaand aan de officiële lancering van Grok 3 begin 2025 zouden op arena-platforms modellen onder ongebruikelijke codenamen zijn getest die achteraf aan Grok 3 gelinkt werden. Harde, officiële bevestiging van de exacte codenamen ontbreekt echter, en dit soort toeschrijvingen berust vaak op speculatie van gebruikers in plaats van een verklaring van het bedrijf zelf.
Verder circuleerden in 2025 op diensten die toegang geven tot meerdere AI-modellen tijdelijk gratis, anonieme modellen met codenamen die later in verband werden gebracht met een nieuwe GPT-4-generatie van OpenAI. Zulke gevallen illustreren dat stealth-testen inmiddels een vaste, terugkerende praktijk is geworden in de aanloop naar grote modellanceringen, ook al is niet elke toeschrijving door de gebruikers achteraf met zekerheid te bevestigen.
Hoe ver is de techniek?
Stealth-testen is geen technologie op zichzelf, maar een testmethode die inmiddels door vrijwel alle grote AI-labs wordt toegepast rond belangrijke lanceringen. De praktijk is in korte tijd gestandaardiseerd: waar het in 2024 nog nieuws was dat een model anoniem verscheen, is het anno 2026 eerder de norm dan de uitzondering geworden.
Tegelijk groeit de kritiek. Het Llama 4-incident liet zien dat de methode misbruikt kan worden om een geoptimaliseerde 'showcase-versie' te laten scoren die niet overeenkomt met wat gebruikers uiteindelijk krijgen. Naar aanleiding daarvan heeft LMArena de regels aangescherpt: bedrijven moeten voortaan duidelijker aangeven welke exacte modelversie is getest, en het platform publiceert vaker technische details om herhaling te voorkomen. Er is bovendien een bredere discussie gaande in de AI-onderzoeksgemeenschap over de betrouwbaarheid van dit soort menselijke-voorkeur-ranglijsten als graadmeter voor 'echte' kwaliteit, aangezien mensen bijvoorbeeld vaak langere of vriendelijker geformuleerde antwoorden hoger waarderen, ook als die niet feitelijk juister zijn.
Een blijvend obstakel is dus de spanning tussen twee doelen: een eerlijke, representatieve test enerzijds, en de wens van bedrijven om zo gunstig mogelijk uit de bus te komen anderzijds. Zolang leaderboards invloed hebben op media-aandacht en investeerdersvertrouwen, blijft de prikkel bestaan om de test naar de eigen hand te zetten.
Wie werken eraan?
Het platform dat stealth-testen mogelijk maakt, LMArena, is voortgekomen uit onderzoek van het Sky Computing Lab aan de University of California, Berkeley (Verenigde Staten), en is inmiddels doorgegroeid tot een zelfstandige organisatie die nauw samenwerkt met vrijwel alle grote AI-ontwikkelaars.
Aan de kant van de modelbouwers zijn de belangrijkste spelers de Amerikaanse techbedrijven OpenAI, Google DeepMind, Meta AI, Anthropic en xAI, die allemaal in de Verenigde Staten gevestigd zijn. Ook Chinese AI-labs zoals Alibaba (met de Qwen-modellen) en DeepSeek maken gebruik van vergelijkbare anonieme testmethoden, evenals het Franse Mistral AI. Universiteiten en onderzoeksgroepen, met Berkeley voorop, spelen vooral een rol als onafhankelijke scheidsrechter en platformbeheerder, terwijl de bedrijven zelf de modellen leveren en de resultaten gebruiken voor hun eigen productbeslissingen.