Waar vind je modellen en welke zijn er: één samengevoegd overzicht
Het landschap van kunstmatige intelligentie-modellen is de afgelopen jaren sterk versnipperd geraakt. Waar organisaties voorheen voornamelijk vertrouwden op een klein aantal grote API-leveranciers, bestaat het huidige ecosysteem uit een gelaagde structuur van open-weight repositories, beheerde cloud-platformen, gespecialiseerde hostingdiensten en lokale uitvoeringsomgevingen. Om een weloverwogen keuze te maken voor een specifieke toepassing, is een helder overzicht nodig van de locaties waar deze modellen beschikbaar worden gesteld en de categorieën waarin ze uiteenvallen.
Dit overzicht brengt de belangrijkste distributiekanalen en modeltypen bij elkaar. Het fungeert als een neutraal kompas voor softwareontwikkelaars, data-architecten en IT-beslissers die infrastructuur willen selecteren zonder afhankelijk te worden van marketingtermen. Om te begrijpen waar modeldistributie past binnen de bredere indeling van softwareoplossingen, kun je kijken naar het AI-ecosysteem in kaart gebracht, waarin alle lagen van infrastructuur tot toepassing helder worden geordend.
Indeling van het modellandschap: vier distributievormen
AI-modellen worden niet op één uniforme manier aangeboden. In de praktijk onderscheiden we vier primaire distributievormen, elk met hun eigen architecturale eigenschappen, kostenstructuur en beheerseisen. Het begrijpen van deze vormen voorkomt foute aannames over privacy, schaalbaarheid en intellectueel eigendom.
De eerste categorie betreft gehoste propriëtaire API's. Hierbij blijft de modelarchitectuur en de gewichtenset volledig in het bezit van de leverancier. Gebruikers sturen invoer via een gecodeerde netwerkverbinding en ontvangen de gegeneerde uitvoer terug. De leverancier draagt de verantwoording voor hardware, optimalisatie en schaalbaarheid, maar de afnemer heeft geen directe controle over de onderliggende code of modelwijzigingen.
De tweede vorm is die van de open-weight modelhubs. Op deze platformen publiceren onderzoeksinstituten en techbedrijven de exacte gewichten van getrainde modellen. Ontwikkelaars kunnen deze gewichten downloaden en zelf hosten. Wel moet hierbij een scherp onderscheid gemaakt worden tussen 'open weight' en 'open source': bij veel open-weight modellen zijn de dataset en de specifieke trainingscode niet vrijgegeven, waardoor volledige repeteerbaarheid ontbreekt.
De derde categorie is cloud-managed infrastructure (Model-as-a-Service). Grote cloudproviders bieden gecureerde catalogi van zowel propriëtaire als open-weight modellen aan. De modellen draaien binnen de eigen cloudomgeving van de afnemer, waardoor gegevens de vertrouwde perimeter niet verlaten. Dit combineert de flexibiliteit van open modellen met het operationele gemak van een beheerde API.
De vierde vorm is on-device en lokale distributie. Hierbij worden gecomprimeerde of gequantiseerde versies van modellen verspreid via specifieke runtime-pakketten om direct te draaien op eindgebruikershardware, zoals laptops, smartphones of edge-servers. Dit uitsluiten van externe netwerkverbindingen biedt maximale privacy, maar stelt strenge grenzen aan de modelgrootte.
Modelhubs en open-weight repositories
Voor organisaties die volledige autonomie over hun AI-pijplijn wensen, zijn open-weight repositories de belangrijkste bron van modellen. Deze platformen fungeren als de bibliotheek en marktplaats van het AI-ecosysteem. Voor een verdieping in repositories die gespecialiseerd zijn in het hosten van gewichten en trainingssets kun je terecht bij het artikel over waar je modellen en datasets vindt.
Het bekendste en meest omvangrijke platform binnen deze categorie is Hugging Face Hub. Dit platform werkt als een centraal register voor honderdduizenden modellen, datasets en interactieve demo's. Hugging Face biedt gestandaardiseerde bibliotheken (zoals transformers) waarmee ontwikkelaars met enkele regels code een model kunnen inladen. Naast Hugging Face spelen platformen als Kaggle, GitHub en leveranciersspecifieke portals (zoals de repositories van Meta, Mistral AI of Alibaba Cloud) een belangrijke rol bij de initiële vrijgave van nieuwe modelgeneraties.
.bin of .pkl formats) kunnen willekeurige code uitvoeren bij het inladen. Gebruik bij voorkeur veilige bestandsformaten zoals .safetensors om beveiligingsrisico's uit te sluiten.
Het voornaamste voordeel van modelhubs is de transparantie. Gebruikers kunnen exact analyseren hoe zwaar een model is, welke licentievoorwaarden gelden en welke community-evaluaties beschikbaar zijn. De zwakheid ligt echter in de variabelen: de prestatie van een model uit een hub hangt sterk af van de gekozen hardware, de gebruikte kwaliteitscompressie (kwantisering) en de runtime-software.
Propriëtaire API-providers en gesloten ecosystemen
Wanneer maximale rekenkracht, complexe redeneervaardigheden of uitgebreide multimodale capaciteiten vereist zijn zonder eigen hardware-investeringen, vormen gesloten API-providers de standaardkeuze. Deze aanbieders ontwikkelen zeer grote modellen waarvan de exacte omvang en architectuur vaak bedrijfsgeheim zijn.
Pioniers op dit vlak zijn organisaties zoals OpenAI, Anthropic en Google (via Vertex AI en AI Studio). Hun modelportfolio's zijn ingedeeld in verschillende prestatieklassen: van zeer snelle, goedkope modellen voor routinetaken tot omvangrijke redeneermodellen die meerstaps-analyses uitvoeren. Naast deze gevestigde spelers bieden partijen als Cohere en AI21 Labs modellen die specifiek zijn geoptimaliseerd voor zakelijke zoektoepassingen en documentverwerking.
De voordelen van gesloten API-diensten zijn een lage instapbarrière en constante prestatieverbeteringen zonder eigen onderhoud. Er zijn echter duidelijke minpunten:
- Aanbiederafhankelijkheid (Vendor Lock-in): Modellen kunnen door de leverancier worden geüpdatet of teruggetrokken, wat de reproduceerbaarheid van resultaten beïnvloedt.
- Gegevensverwerking: Invoer- en uitvoerdata verlaten de organisatie en worden verwerkt op externe servers, wat aanvullende juridische waarborgen vereist.
- Kostenvoorspelbaarheid: Afrekening vindt plaats op basis van het aantal verwerkte tokens (tekstsegmenten), wat bij onverwacht hoge volumes tot budgetoverschrijdingen kan leiden.
Modelfamilies ingedeeld naar functionaliteit en modaliteit
Bij het selecteren van een model is de manier waarop de informatie wordt ingevoerd en verwerkt van primair belang. Modellen zijn allang niet meer beperkt tot puur tekstuele verwerking; er is sprake van een brede differentiatie in modaliteiten.
| Modelcategorie | Invoer / Uitvoer | Typische Toepassingen | Bekende Categorie-voorbeelden |
|---|---|---|---|
Een specifieke subcategorie die snel terrein wint, zijn de embedding-modellen. Deze modellen genereren geen leesbare tekst, maar zetten invoer om in numerieke vectoren die de semantische betekenis van een tekst of afbeelding representeren. Ze vormen de cruciale schakel in RAG-systemen (Retrieval-Augmented Generation), waarbij externe kennisbronnen worden gekoppeld aan generatieve modellen.
Open-weight modelfamilies en hun licentiestructuren
Binnen het domein van vrij toegankelijke gewichten zijn een aantal bepalende modelfamilies ontstaan. De keuze voor een specifieke familie heeft directe gevolgen voor de juridische toelaatbaarheid binnen commerciële producten. Voor een gedetailleerde analyse van de bekendste open gewichten en hun licentiestructuren kun je het overzicht van open-source LLM's op een rij raadplegen.
Belangrijke spelers in deze categorie zijn onder meer de Llama-reeks van Meta, de Mistral- en Mixtral-modellen van Mistral AI, de Qwen-familie van Alibaba Cloud en de Gemma-modellen van Google. Hoewel deze modellen vaak aangeduid worden als "open source", hanteren de uitgevende instanties uiteenlopende voorwaarden:
- Permissieve Open-Source Licenties (bijv. Apache 2.0, MIT): Verlenen volledige vrijheid voor commercieel gebruik, aanpassing en herdistributie zonder beperkingen op het aantal gebruikers. Dit geldt bijvoorbeeld voor veel modellen van Mistral AI en diverse Qwen-varianten.
- Beperkte Commerciële Licenties: Verlenen recht op commercieel gebruik, maar stellen voorwaarden. Zo vereist de licentie van de Llama-reeks van Meta een aanvullende licentie wanneer de applicatie meer dan een specifiek aantal maandelijkse actieve gebruikers bereikt, en verbiedt het het gebruik van de modeloutput om andere taalmodellen te trainen.
- Non-commerciële Onderzoekslicenties: Beperken het gebruik strikt tot academische of persoonlijke evaluatie. Het commercieel inzetten van verwerkte gegevens of het draaien van de API voor klanten is hierbij expliciet verboden.
Lokale executie en runtime-infrastructuur
Het bezitten van modelgewichten is pas de eerste stap; om een model lokaal of op eigen servers te laten draaien is specifieke runtime-software nodig. Deze software vertaalt de wiskundige bewerkingen van het model naar efficiënte instructies voor de beschikbare rekenhardware (zoals GPU's, NPU's of CPU's).
Wanneer je modellen op eigen hardware wilt draaien zonder afhankelijkheid van externe cloudproviders, biedt het overzicht van tools om LLM's lokaal te draaien een praktisch vertrekpunt. Populaire oplossingen binnen deze categorie zijn onder meer:
- Ollama: Een veelgebruikte runtime die de installatie en het beheer van gequantiseerde modellen vereenvoudigt via een overzichtelijke command-line interface en een lokale API.
- LM Studio: Een grafische toepassing voor desktopomgevingen waarmee gebruikers snel modellen kunnen testen, parameters kunnen aanpassen en een lokale OpenAI-compatibele server kunnen starten.
- vLLM en TGI (Text Generation Inference): Hoogwaardige, gespecialiseerde engines die ontworpen zijn voor productiematige serveromgevingen. Ze maken gebruik van geavanceerde geheugentechnieken (zoals PagedAttention) om honderden gelijktijdige verzoeken efficiënt af te handelen.
- llama.cpp: De onderliggende C/C++ engine die het mogelijk maakt om modellen met minimale hardware-eisen en efficiënte kwantisering op uiteenlopende processoren te draaien.
Als je praktische begeleiding zoekt voor het ophalen, opslaan en beheren van gewichtbestanden op lokale infrastructuren, raadpleeg dan de gids over lokale modellen downloaden en beheren.
Vergelijking van distributiekanalen: voor- en nadelen
Om te bepalen welk distributiekanaal het beste past bij de doelstellingen van een organisatie, moeten de operationele kenmerken systematisch naast elkaar worden gezet. Onderstaande tabel vergelijkt de drie belangrijkste distributiewegen op cruciale beoordelingsassen.
| Criterium | Propriëtaire API's | Cloud-Managed Open Weights | Eigen / Lokale Hosting |
|---|---|---|---|
Selectiecriteria, governance en dataresidentie
De keuze van het juiste modelkanaal is zelden puur technisch; juridische en operationele randvoorwaarden spelen een doorslaggevende rol. Organisaties die binnen de Europese Unie opereren moeten specifiek rekening houden met de bepalingen van de Algemene Verordening Gegevensbescherming (AVG) en de Europese AI-wetgeving (EU AI Act).
Bij het gebruik van propriëtaire API-diensten moet nauwkeurig worden gecontroleerd waar de gegevensverwerking plaatsvindt. Veel Amerikaanse leveranciers bieden standaard verwerking in de Verenigde Staten aan, wat zonder aanvullende juridische overeenkomsten (zoals het Data Privacy Framework of standaardcontractbepalingen) tot nalevingsproblemen kan leiden. Beheerde cloudplatformen in Europese datacenters bieden op dit vlak betere garanties qua dataresidentie.
Een tweede belangrijk selectiecriterium is het meten van het effect van modeloptimalisatie. Veel open-weight modellen worden in omvang verkleind (gequantiseerd) om op goedkopere hardware te passen. Dit heeft echter impact op de nauwkeurigheid van het model. Voor organisaties die willen begrijpen hoeveel precisieverlies optreedt wanneer gewichten worden gecomprimeerd voor lokaal gebruik, analyseert de benchmarkpagina het kwaliteitseffect van kwantisering de exacte prestatieverschillen.
Als je twijfelt welk type oplossing aansluit bij jouw specifieke werkomgeving en budget, helpt de AI-tool-kiezer om stap voor stap het juiste kanaal en de bijbehorende architectuur te selecteren.
Stappenplan voor modelselectie en implementatie
Om binnen een organisatie tot een verantwoorde modelkeuze te komen, is het aan te raden een gestructureerde selectieprocedure te volgen. Deze methode voorkomt dat keuzes uitsluitend worden gebaseerd op merkbekendheid of tijdelijke hypes.
- Classificeer de gegevensgevoeligheid: Bepaal of de te verwerken informatie publiek, intern, vertrouwelijk of strikt geheim (bijv. medische gegevens of bedrijfsgeheimen) is. Deze stap sluit direct bepaalde distributiekanalen uit.
- Analyseer de vereiste functionaliteit: Bepaal de noodzakelijke contextlengte, modaliteit (alleen tekst of ook afbeeldingen) en de gewenste reactiesnelheid.
- Start met een propriëtaire API als benchmark: Bouw een eerste prototype met een hoogwaardige commerciële API om te testen of het idee inhoudelijk haalbaar is en wat de maximale kwaliteit is.
- Evalueer open-weight alternatieven: Test of een kleiner, gehost open-weight model (zoals een gequantiseerde Llama- of Qwen-variant) een vergelijkbaar kwaliteitsniveau haalt tegen lagere operationele kosten of met betere privacywaarborgen.
- Formaliseer MLOps en governance: Leg vast hoe updates van modellen worden getest, hoe de uitvoerkwaliteit periodiek wordt gemonitord en welke terugvalopties (fallbacks) gelden als een provider uitvalt.
Conclusie en onderhoudsadvies
Het landschap van AI-modellen biedt vandaag de dag voor elk bedrijfsscenario een passend distributiekanaal. Waar gehoste API's de snelste weg naar innovatie bieden, leggen open-weight repositories en lokale runtimes het fundament voor privacy, autonomie en langetermijnkostenbeheersing. Een succesvolle AI-strategie berust zelden op één enkel model, maar maakt gebruik van een hybride architectuur waarin verschillende modeltypen naast elkaar worden ingezet op basis van taakzwaarte en gegevensgevoeligheid.
Aangezien de ontwikkelingen in de AI-sector zeer snel verlopen en modelfamilies maandelijks vernieuwd worden, is het essentieel om modelkeuzes periodiek te herzien en afhankelijkheden in de softwarecode zo veel mogelijk te abstraheren via universele API-adapters.
