GPT (OpenAI) (NL)

GPT (Generative Pre-trained Transformer) — is een familie van grote taalmodellen (LLM), ontwikkeld door het bedrijf OpenAI. GPT-modellen zijn gebouwd op de transformer-architectuur en implementeren het paradigma van generatief vooraf trainen: in de eerste fase wordt het model getraind op uitgebreide tekstcorpora zonder expliciete annotatie, waarna het kan worden verfijnd voor specifieke taken. Voor latere generaties (vanaf GPT‑5) gebruikt OpenAI ook de formulering unified system (verenigd systeem), omdat het product een snelle antwoordmodus, een modus voor diepgaand redeneren (reasoning) en een router combineert.

Naam

De afkorting GPT staat voor Generative Pre-trained Transformer (Generatief Vooraf Getrainde Transformer).

• Generatief (Generative): betekent dat het model in staat is nieuwe inhoud te creëren (genereren), bijvoorbeeld tekst.
• Vooraf getraind (Pre-trained): geeft aan dat het model een uitgebreide eerste trainingsfase doorloopt op een grote hoeveelheid data (bijvoorbeeld teksten van het internet). Na het vooraf trainen kan het model vaak aanvullend worden 'verfijnd' (fine-tuned) voor het uitvoeren van meer specifieke taken.
• Transformer (Transformer): dit is de naam van een specifieke neurale netwerkarchitectuur, die de belangrijkste innovatie vormt die ten grondslag ligt aan GPT en vele andere moderne AI-modellen.

Het belangrijkste kenmerk van GPT is dat het trainen plaatsvindt in een autoregressieve vorm — het model voorspelt het volgende token op basis van de voorgaande context. Dat wil zeggen dat het model getraind wordt om de kans op het volgende token te maximaliseren, gegeven de reeks van voorgaande tokens. Tijdens het trainen wordt de voorspellingsfout van het volgende element geminimaliseerd, waardoor teksten worden gevormd met een hoge coherentie en samenhang.

Tekstgeneratie in GPT

Het GPT-model genereert tekst sequentieel, token voor token, volgens het volgende iteratieve schema:

• Neemt een beginnetekstreeks als invoer (prompt, seed text).
• Berekent een kansverdelingen over alle tokens in het woordenboek voor het volgende element van de tekst.
• Kiest het volgende token:
  • ofwel op basis van de hoogste kans (greedy keuze),
  • ofwel via stochastische sampling (sampling),
  • ofwel met behulp van speciale filterende strategieën (top-k, top-p).
• Voegt het gekozen token toe aan de huidige reeks.
• De bijgewerkte reeks wordt opnieuw als invoer aan het model aangeboden voor de voorspelling van het volgende token.

Transformer-architectuur: tekstverwerking

Het gegevensverwerkingsproces binnen de transformer voor de voorspelling van het volgende token omvat verschillende hoofdfasen:

• Tokenisatie (Tokenization). De invoertekst wordt opgesplitst in tokens — kleine teksteenheden die woorden, delen van woorden of leestekens kunnen zijn. In het GPT-3-model bevat het woordenboek bijvoorbeeld ongeveer 50 257 tokens.
• Token-embedding (Embeddings). Elk token wordt omgezet in een vector van vaste lengte met behulp van een embedding-matrix (W_E). De vectoren coderen de betekenis van tokens: semantisch verwante tokens bevinden zich dicht bij elkaar in de meerdimensionale ruimte. In het GPT-3-model bedraagt de dimensie van de embeddings 12 288.
• Verwerking in transformer-lagen.
  • Attention Blocks (aandachtsblokken): Elk token interageert met andere tokens in de reeks. Het aandachtsmechanisme maakt het mogelijk om de context te gebruiken en de betekenis van woorden correct te interpreteren.
  • Feed-Forward Layers (volledig verbonden lagen): Na de aandachtsverwerking wordt elk token afzonderlijk verwerkt via een tweelaags neuraal netwerk met niet-lineaire activatie.
• Terugomzetting en Softmax. Na alle lagen wordt de verwerkte vector terugomgezet naar de tokenruimte met behulp van de matrix (W_U), die vaak de getransponeerde versie van W_E is. De resulterende vector van logits wordt genormaliseerd met behulp van de Softmax-functie om een kansverdeling over alle tokens te verkrijgen.
• Keuze van het volgende token (Sampling). Het volgende token wordt gekozen op basis van de kansverdeling. De temperatuurparameter (temperature) regelt de willekeur van de keuze: bij temperatuur 0 wordt het meest waarschijnlijke token gekozen; bij hogere temperaturen neemt de kans op het kiezen van minder waarschijnlijke varianten toe, wat bijdraagt aan een grotere diversiteit van de tekst.

GPT-modellen

• GPT-1 (2018): het eerste model van de familie; een 12-laagse decoder-only transformer; training in twee fasen (vooraf trainen + fine-tuning op NLP-taken).
• GPT-2 (2019): 1,5 miljard parameters; getraind op het WebText-corpus; voor het eerst in staat lange coherente teksten te genereren; verbeterde kwaliteit van zero-shot generatie. Aangekondigd op 14 februari 2019; de volledige versie (1,5 miljard) werd om veiligheidsredenen gepubliceerd op 5 november 2019.
• GPT-3 (2020): 175 miljard parameters; grootschalige training op een combinatie van Common Crawl, Books, Wikipedia; sterke ontwikkeling van few-shot- en zero-shot-capaciteiten.
• GPT-3.5 (2022): een tussenversie tussen GPT-3 en GPT-4; verbeterd instructievolgen dankzij training met menselijke feedback (RLHF) in de versies text-davinci-003 en gpt-3.5-turbo; een contextvenster van maximaal 4 096 tokens in vroege versies en tot 16 385 tokens in latere versies (gpt-3.5-turbo-16k en de bijgewerkte gpt-3.5-turbo).
• GPT-4 (2023): een multimodaal model met tekst- en beeldinvoer (ondersteuning voor afbeeldingen werd later uitgerold, na de tekstlancering); contextvenster van 8 192 tokens in de basisversie en 32 768 tokens in de GPT-4-32k-variant; aanzienlijke verbetering van nauwkeurigheid, robuustheid en redeneerlogica.
• GPT-4 Turbo (2023): geoptimaliseerde versie van GPT-4; vergroot contextvenster tot 128 000 tokens; lagere latentie en exploitatiekosten.
• GPT-4o (2024): een multimodaal model van de nieuwe generatie (tekst, beeld, audio) met een uniforme neurale netwerkarchitectuur; zeer hoge respons­snelheid en nauwkeurigheid; contextvenster van 128 000 tokens.
• GPT-4.5 (2025): research preview; in de system card geeft OpenAI aan dat het model «builds on GPT-4o»; verbeterd begrip van gebruikersverzoeken, vermindering van het aantal fouten; contextvenster van 128 000 tokens. In de API werd het model gpt-4.5-preview op 14 april 2025 als deprecated aangemerkt en op 14 juli 2025 uitgeschakeld.
• GPT-4.1 (2025): verbeterde versie van de GPT-4-familie met een contextvenster tot 1 miljoen tokens; accepteert tekst en afbeeldingen als invoer en geeft tekst als uitvoer. Gelijktijdig uitgebracht in drie varianten: GPT-4.1, GPT-4.1 mini, GPT-4.1 nano.
• GPT-5 (2025): een unified system met modi voor snelle antwoorden en diepgaand redeneren; contextvenster van ongeveer 400 000 tokens; merkbare vermindering van hallucinaties op feitelijke taken.
• GPT-5.1 (2025): adaptief reasoning, verbeteringen in coding en long-context retention.
• GPT-5.2 (2025): nadruk op professioneel werk; Pro-modus voor frontier-taken; op basis van GPT-5.2 is de agentische GPT-5.2-Codex uitgebracht.
• GPT-5.3-Codex (2026): agentisch coding-model dat coding-capaciteiten en reasoning combineert; 25% sneller dan voorgangers.
• GPT-5.3 Instant (2026): update van het meest gebruikte gespreksmodel ChatGPT; uitgebracht op 3 maart 2026. Verbeterde feitelijke nauwkeurigheid, kwaliteit van webzoeken, vloeiendheid van dialoog en vermindering van onnodige weigeringen en overdreven voorbehouden. Beschikbaar in de API als gpt-5.3-chat-latest.
• GPT-5.4 (2026): frontier-model van OpenAI voor professioneel werk, gepresenteerd op 5 maart 2026; het eerste general-purpose model van OpenAI met native computer-use capabilities. In de API wordt gpt-5.4 aanbevolen als standaardmodel voor een breed scala aan general-purpose en coding-taken.

GPT-1

Het eerste model, GPT-1, werd in 2018 door OpenAI gepresenteerd in het artikel \"Improving Language Understanding by Generative Pre-Training\". Het model was een 12-laagse decoder-only transformer en was gebouwd op basis van de transformer-architectuur. De training van GPT-1 verliep in twee fasen: een fase van ongesuperviseerd generatief vooraf trainen (pre-training), gevolgd door een fase van gesuperviseerd fijn afstemmen (fine-tuning).

Tijdens de vooraf-trainfase werd het model getraind op het BookCorpus-corpus, dat meer dan 7 000 ongepubliceerde boeken van diverse genres bevatte. Een bijzonder kenmerk van dit corpus was de aanwezigheid van lange aaneengesloten tekstfragmenten, wat cruciaal was voor het vermogen van het model om complexe en langdurige tekstafhankelijkheden te verwerken.

Tijdens de fine-tuningfase werd het model aangepast voor het oplossen van gespecialiseerde taken voor de verwerking van natuurlijke taal, waaronder:

• Beantwoorden van vragen (Question Answering, QA) — het formuleren van een correct antwoord op basis van een gegeven tekstcontext;
• Herkenning van tekstimplicatie (Natural Language Inference, NLI) — het bepalen van de logische relatie tussen twee teksten: implicatie, tegenspraak of neutraliteit;
• Beoordeling van semantische gelijkenis (Semantic Textual Similarity) — het meten van de mate van betekenisovereenkomst tussen twee tekstsequenties.

Dankzij deze aanpak toonde GPT-1 aanzienlijke superioriteit ten opzichte van eerdere modellen op een aantal standaard benchmarks voor tekstbegrip.

De ontwikkeling van GPT-1 toonde een aantal belangrijke prestaties en ontdekkingen op het gebied van de verwerking van natuurlijke taal (NLP):

• Effectiviteit van generatief vooraf trainen. Het werd empirisch bevestigd dat vooraf trainen op grote corpora van niet-geannoteerde tekst het model in staat stelt universele taalrepresentaties te verwerven die geschikt zijn voor latere toepassing in diverse praktische taken, zonder dat fundamentele architecturale wijzigingen nodig zijn.
• Universaliteit van de transformer-architectuur. Het gebruik van een meerlaagse decoder-transformer stelde het model in staat om langetermijnafhankelijkheden in tekst succesvol te verwerken, wat voorheen moeilijk was voor modellen op basis van recurrente neurale netwerken.
• Vermindering van afhankelijkheid van geannoteerde data. Het onderzoek bevestigde dat grootschalig vooraf trainen op niet-geannoteerde data de hoeveelheid geannoteerde data die nodig is om hoge kwaliteit op doeltaken te bereiken aanzienlijk kan verminderen.
• Fundament voor verdere ontwikkeling. De resultaten van GPT-1 legden de conceptuele en technische basis voor latere versies van de GPT-familie (GPT-2, GPT-3 en verder).

GPT-2

Het model GPT-2 werd op 14 februari 2019 door OpenAI aangekondigd. Het overtrof zijn voorganger aanzienlijk in omvang: de volledige versie bevatte ongeveer 1,5 miljard parameters. Uit veiligheidsoverwegingen publiceerde OpenAI aanvankelijk alleen verkleinde varianten van het model; de volledige versie (1,5 miljard parameters) werd uitgebracht op 5 november 2019. In tegenstelling tot GPT-1, dat getraind was op het BookCorpus-corpus (~5 GB), werd GPT-2 getraind op het speciaal samengestelde WebText-corpus van ongeveer 40 GB, bestaande uit tekstgegevens van internetbronnen van hoge kwaliteit. De toename van zowel de modelomvang als de hoeveelheid trainingsdata stelde GPT-2 in staat de kwaliteit van tekstgeneratie aanzienlijk te verbeteren: het toonde het vermogen om inhoudelijke artikelen, verhalen en zelfs coherente fragmenten van literaire proza te creëren.

GPT-2 gebruikte een autoregressieve decoder-transformer-architectuur, vergelijkbaar met GPT-1, zonder wezenlijke wijzigingen. Het model bestond uit 48 zelfaandachtslagen, had een verborgen toestandsgrootte van 1600 en bevatte ongeveer 1,5 miljard parameters. Het aantal aandachtshoofden bedroeg 25 (met behoud van een grootte van 64 per hoofd, geërfd van GPT-1: 1600 ÷ 64 = 25). Training vond plaats op de taak van het voorspellen van het volgende token op basis van de voorgaande context met behulp van een gemaskeerd aandachtsmechanisme.

Een van de belangrijkste onderscheidende kenmerken van GPT-2 was dat het model voor het eerst hoge effectiviteit demonstreerde in de zero-shot learning-modus — het vermogen om nieuwe taken op te lossen zonder expliciete fine-tuning op voorbeelden voor die taken. Het model werd getraind op een groot corpus van algemene teksten en onderging geen gespecialiseerde training op data van specifieke taken. De evaluatie werd uitgevoerd in de zero-shot-modus, waarbij het model taken uitvoerde uitsluitend op basis van kennis verworven tijdens het vooraf trainen. Op een aantal taalmodelleringstaken bereikte GPT-2 kwaliteit die vergelijkbaar was met of beter dan de resultaten van modellen die speciaal waren getraind op gespecialiseerde datasets (bijvoorbeeld Wikipedia, nieuwsteksten, boeken).

GPT-3

Het model GPT-3 werd in juni 2020 door OpenAI gepresenteerd (het artikel op arXiv verscheen op 28 mei 2020, bètatoegang tot de API werd geopend op 11 juni 2020). Het was de volgende stap in de ontwikkeling van generatieve transformers na GPT-2 en onderscheidde zich door het opschalen van de architectuur naar 175 miljard parameters, waardoor het destijds het grootste taalmodel was.

De architectuur van GPT-3 bleef in de kern ongewijzigd — een meerlaagse autoregressieve decoder-transformer zonder ingrijpende wijzigingen. De belangrijkste prestatieverbeteringen werden bereikt door het vergroten van het aantal lagen, de breedte van de verborgen lagen en de trainingsschaal. Het model werd getraind op een combinatie van meerdere grote tekstcorpora, waaronder Common Crawl, WebText2, Books1, Books2 en Wikipedia. De totale hoeveelheid data bedroeg ongeveer 570 GB en meer (570 GB betreft het gefilterde deel van Common Crawl, dat domineert in de trainingsmix).

Een van de belangrijkste kenmerken van GPT-3 was zijn vermogen tot few-shot learning en zero-shot learning: het model kon een breed scala aan taken voor de verwerking van natuurlijke taal uitvoeren, waaronder vertalen, samenvatten, beantwoorden van vragen, schrijven van essays en zelfs programmeren, op basis van slechts een paar voorbeelden in de tekstvraag of zelfs zonder voorbeelden.

GPT-3.5

Het model GPT-3.5 werd eind 2022 door OpenAI gepresenteerd als onderdeel van de evolutionaire ontwikkeling van de GPT-familie. Het was gebouwd op basis van de architectuur van de geschaalde autoregressieve decoder-transformer die in GPT-3 werd gebruikt, met verbeteringen in de kwaliteit van tekstgeneratie, contextverwerking en het vermogen om complexe instructies te volgen. Het exacte aantal parameters van GPT-3.5 werd officieel niet bekendgemaakt; de davinci-versies zijn naar schatting vergelijkbaar in omvang met GPT-3 (175 miljard), maar de exacte parameters van de gpt-3.5-turbo-versie zijn onbekend.

De training van GPT-3.5 omvatte uitgebreid gebruik van methoden voor Reinforcement Learning from Human Feedback (RLHF) in de versies text-davinci-003 en gpt-3.5-turbo. De eerdere versie text-davinci-002 werd getraind met behulp van supervised fine-tuning (SFT), niet RLHF. Het model werd getraind op uitgebreide tekstcorpora, waaronder Common Crawl, Books, WebText en andere bronnen van hoge kwaliteit. Het contextvenster in vroege populaire versies (gpt-3.5-turbo) bedroeg 4 096 tokens; later bracht OpenAI bijgewerkte versies uit met een context tot 16 385 tokens.

In de praktijk werd GPT-3.5 aangepast voor het oplossen van een breed scala aan taken voor de verwerking van natuurlijke taal, zoals:

• Generatie van coherente en logische tekst;
• Beantwoorden van vragen (QA) en begrip van context;
• Volgen van meerstapsinstructies;
• Verbeterd onderhoud van langetermijncontext in dialogen.

Op basis van GPT-3.5 werden verschillende versies uitgebracht voor diverse doeleinden:

• text-davinci-002 — het eerste publiek beschikbare model op basis van GPT-3.5, geoptimaliseerd voor generatie en het volgen van instructies (getraind met SFT).
• text-davinci-003 — een verbeterde versie met nog grotere redeneer- en complexe tekstgeneratiemogelijkheden (getraind met RLHF).
• gpt-3.5-turbo — de meest performante en kostenefficiënte versie van GPT-3.5, gebruikt in de ChatGPT-dienst vanaf eind 2022.

GPT-4

Het model GPT-4 werd op 14 maart 2023 door OpenAI gepresenteerd in het artikel "GPT-4 Technical Report\". Het was de volgende fase in de ontwikkeling van de familie van taalmodellen en bood aanzienlijke verbeteringen op het gebied van tekstbegrip, generatie van betekenisvolle en creatieve antwoorden, en verwerking van multimodale data. Het exacte aantal parameters en architecturale details van het model werden officieel niet bekendgemaakt — het technische rapport van GPT-4 geeft expliciet aan dat informatie over de architectuur, modelgrootte, hardware, trainingsberekeningskosten en de opbouw van datasets niet wordt gepubliceerd. Volgens onofficiële externe schattingen zou GPT-4 een Mixture of Experts (MoE)-aanpak kunnen gebruiken en een totale schaal hebben van ongeveer ~1,8 biljoen parameters, maar OpenAI heeft deze cijfers officieel noch bevestigd noch ontkend.

GPT-4 is een multimodaal model dat zowel tekst als afbeeldingen als invoer kan accepteren. Het is vermeldenswaardig dat bij de initiële lancering in maart 2023 alleen de tekstmodaliteit beschikbaar was; ondersteuning voor beeldinvoer werd later uitgerold. Het contextvenster bedroeg 8 192 tokens in de basisversie en 32 768 tokens in de GPT-4-32k-variant. Het model gebruikte RLHF-methoden (Reinforcement Learning from Human Feedback).

De training van GPT-4 vond plaats op een combinatie van grootschalige tekst- en multimodale corpora. Specifieke details over trainingsdata, hardware en methodologie worden niet bekendgemaakt in officiële publicaties van OpenAI.

De training verliep in meerdere fasen:

• grootschalig ongesuperviseerd vooraf trainen op teksten en afbeeldingen,
• gesuperviseerde fijnafstemming (supervised fine-tuning) op gespecialiseerde taken,
• een laatste fase van Reinforcement Learning from Human Feedback (RLHF) ter verbetering van betrouwbaarheid, veiligheid en kwaliteit van instructie-interpretatie.

Op basis van GPT-4 werden verschillende hoofdversies uitgebracht:

• GPT-4 (maart 2023): basisversie met ondersteuning voor tekstinvoer (beeldondersteuning later toegevoegd); contextvenster van 8 192 tokens; ook uitgebracht als GPT-4-32k-variant met een context van 32 768 tokens.
• GPT-4 Turbo (november 2023): geoptimaliseerde modificatie van GPT-4 met een vergroot contextvenster tot 128 000 tokens; verlaagde rekenkosten en versnelde generatie; ondersteuning voor function calling en JSON-uitvoer.
• GPT-4o (mei 2024): multimodale versie van de nieuwe generatie; in de launch-aankondiging gepositioneerd als omni-model dat in realtime kan werken met tekst, afbeeldingen en audio (in tegenstelling tot GPT-4 Turbo, waarbij verschillende modaliteiten door afzonderlijke modules werden bediend); het basis-API-model gpt-4o wordt beschreven als text+image input, text output; contextvenster van 128 000 tokens.
• GPT-4.5 (februari 2025): research preview; in de system card geeft OpenAI expliciet aan dat het model «builds on GPT-4o»; verbeterde generatie van complexe teksten, verhoogde nauwkeurigheid bij het uitvoeren van instructies en verlaagd hallucinatieniveau; contextvenster van 128 000 tokens. Beschreven als «het laatste OpenAI-model zonder chain-of-thought» (codenaam — Orion). In de API werd het model gpt-4.5-preview op 14 april 2025 als deprecated aangemerkt en op 14 juli 2025 uitgeschakeld.
• GPT-4.1 (april 2025): stabiele versie met drastische uitbreiding van de context tot 1 047 576 tokens; accepteert tekst en afbeeldingen als invoer en geeft tekst als uitvoer; gelijktijdig uitgebracht in drie varianten (GPT-4.1, GPT-4.1 mini, GPT-4.1 nano); aanvankelijk alleen beschikbaar via de API, later uitgerold in ChatGPT.

GPT-5

Op 7 augustus 2025 presenteerde OpenAI GPT‑5 als zijn destijds «slimste, snelste en nuttigste» model, met een ingebouwde modus voor diepgaand redeneren (thinking) en een focus op praktische scenario's — schrijven, programmeren, gezondheidswerk en multimodaal begrip. GPT‑5 werd geleidelijk het standaardmodel voor de meeste ingelogde ChatGPT-gebruikers en verdrong de eerder gebruikte modellen uit de GPT‑4/4o- en o‑serie.

GPT‑5 is geïmplementeerd als een unified system met twee hoofdwerkingsmodi: snelle, economische antwoorden voor alledaagse verzoeken (informeel gpt‑5 main) en diepgaand redeneren voor complexe taken (informeel gpt‑5 thinking). De keuze van modus vindt automatisch plaats via een router die rekening houdt met het type dialoog, de complexiteit van het verzoek, de behoefte aan tools en expliciete aanwijzingen van de gebruiker (bijvoorbeeld «think step by step» of «analyze in depth»). In ChatGPT zijn voor de gebruiker de modi Auto / Instant / Thinking / Pro beschikbaar; de varianten mini en nano zijn voornamelijk API-modellen, en mini kan in het gebruikersproduct worden gebruikt als fallback nadat een limiet is bereikt.

Via de programma-interface worden verschillende groottes en configuraties van GPT‑5 aangeboden; in de OpenAI-documentatie worden gpt‑5, gpt‑5‑mini en gpt‑5‑nano als de voornaamste varianten genoemd (alle ondersteunen tekst en visuele data). Het maximale totale contextvenster voor de GPT‑5-familie in de API bedraagt ongeveer 400 000 tokens (met afzonderlijke budgetten voor invoer en redeneren/uitvoer), waarbij de specifieke limieten kunnen variëren afhankelijk van de gekozen modelvariant en het product.

Op een aantal webzoekopdrachten en feitelijke benchmarks toont GPT‑5 een merkbare afname van de frequentie van hallucinaties en fouten in vergelijking met de GPT‑4o-modellen en eerdere «thinking»-modellen van OpenAI. In de officiële aankondiging presenteerde OpenAI schattingen van een foutenvermindering van ongeveer 45% ten opzichte van GPT-4o en ongeveer 80% ten opzichte van o3 in de thinking-modus — deze resultaten werden verkregen onder specifieke omstandigheden: met ingeschakeld webzoeken op geanonimiseerde prompts die representatief zijn voor het productieverkeer van ChatGPT.

GPT-5.1

Het model GPT-5.1 werd op 12 november 2025 door OpenAI gepresenteerd als de eerste significante iteratie na het basis-GPT-5, gericht op verbetering van dagelijkse interactie, gespreksmatigheid en aanpassingsvermogen. Het model behoudt het unified system met een snelle modus (GPT-5.1 Instant) en diepgaand redeneren (GPT-5.1 Thinking), maar introduceert adaptief denken (adaptive reasoning): het model bepaalt dynamisch de hoeveelheid berekening op basis van de complexiteit van het verzoek, waardoor het merkbaar sneller is bij eenvoudige taken zonder kwaliteitsverlies bij complexe.

De training van GPT-5.1 was gebaseerd op GPT-5 met een aanvullende fase van natraining, inclusief uitgebreide RLHF, focus op de natuurlijkheid van de toon en vermindering van de «koelheid» van antwoorden. Het contextvenster in de API bedraagt 400 000 tokens, de maximale uitvoer 128 000 tokens. Ondersteuning voor uitgebreide prompt-caching tot 24 uur werd toegevoegd, wat de kosten en latentie bij meerstapsdialogen aanzienlijk vermindert.

Belangrijkste kenmerken:

• GPT-5.1 Instant — de primaire modus voor dagelijkse taken; maakt voor het eerst gebruik van adaptive reasoning om te bepalen wanneer het de moeite waard is om «na te denken» voordat een complexer verzoek wordt beantwoord.
• GPT-5.1 Thinking — adaptieve toewijzing van redeneer­tijd; volgens OpenAI is het model op een representatieve verdeling van ChatGPT-taken ongeveer twee keer sneller op de eenvoudigste taken en ongeveer twee keer langzamer op de moeilijkste taken in vergelijking met GPT-5 Thinking.
• Verbeterde multimodaliteit (tekst + vision).
• Verbeterde coding- en agentische scenario's, evenals efficiëntie op eenvoudige taken dankzij adaptive reasoning en extended prompt caching.

GPT-5.2

Het model GPT-5.2 werd op 11 december 2025 uitgebracht als «het meest capabele model van de serie voor professioneel werk en leren». Dit is een evolutie van GPT-5.1 met nadruk op economische waarde: generatie van tabellen, presentaties, complexe code en end-to-end taken. Het behoudt de uniforme architectuur met de modi Instant, Thinking en de nieuwe Pro (voor taken die maximale rekencapaciteit en redeneer­tijd vereisen).

De training omvatte een bijgewerkt corpus met knowledge cutoff augustus 2025, versterkte instruction-tuning en RLHF ter vermindering van fouten in meerstapse scenario's. Context — 400K tokens (128K max output). Het model is betrouwbaarder geworden in professionele scenario's, met betere feitelijke nauwkeurigheid en gebruik van tools.

Op basis van GPT-5.2 werd op 18 december 2025 de gespecialiseerde GPT-5.2-Codex uitgebracht — een agentisch coding-model met verbeterde context-compaction, ondersteuning voor Windows, versterkte cyberbeveiliging en long-horizon reasoning (taken tot meerdere uren).

Per 13 februari 2026, na de uitfasering van een aantal oudere modellen, werd GPT-5.2 tijdelijk het standaardmodel in ChatGPT. Maar al begin maart 2026 werd deze rol overgenomen door GPT‑5.3 Instant en GPT‑5.4.

GPT-5.3-Codex

GPT-5.3-Codex werd op 5 februari 2026 gepresenteerd als «het krachtigste agentische coding-model tot op heden». Dit is een combinatie van de frontier-coding-capaciteiten van GPT-5.2-Codex en het professionele reasoning van GPT-5.2 in één model, dat 25% sneller is dan zijn voorgangers.

Het model kan vrijwel alle taken van een ontwikkelaar uitvoeren: long-running workflows, onderzoek, tool use, uitvoering van code, interactive steering (de gebruiker kan in realtime ingrijpen zonder verlies van context). Vroege versies van het model werden door het team van OpenAI gebruikt voor de debugging van de eigen training, deployment en evaluaties.

Belangrijkste resultaten op het moment van aankondiging op 5 februari 2026: Terminal-Bench ~77,3%, OSWorld-Verified ~64,7%, SWE-Bench Pro ~56,8%. In de latere release van GPT-5.4 van 5 maart 2026 publiceerde OpenAI een bijgewerkt resultaat van OSWorld-Verified 74,0% voor GPT-5.3-Codex bij gebruik van de nieuwe API-parameter die de originele beeldresolutie behoudt.

Op 12 februari 2026 bracht OpenAI ook GPT-5.3-Codex-Spark uit — een compacte ultra-snelle versie in samenwerking met Cerebras, geoptimaliseerd voor realtime: meer dan 1000 tokens per seconde, text-only, context van 128K. Bij de start was dit een uitrol voor ChatGPT Pro-gebruikers in Codex en een klein aantal API design partners, en geen breed beschikbaar API-model.

GPT-5.4

Op 5 maart 2026 presenteerde OpenAI GPT‑5.4 als het nieuwe frontier-model voor professioneel werk. GPT‑5.4 combineert de sterke punten van de recentste OpenAI-releases op het gebied van reasoning, coding en agentische workflows en is voor het eerst in de hoofdlijn uitgerust met ingebouwde computer use-capaciteiten. Tegelijkertijd bracht OpenAI GPT‑5.4 Pro uit — een variant voor de zwaarste taken, die meer rekencapaciteit en langer redeneren gebruikt.

In de API wordt het model gpt-5.4 beschreven als standaard aanbevolen voor een breed scala aan general-purpose en coding-taken; het contextvenster bedraagt 1 050 000 tokens, de maximale uitvoer 128 000 tokens. Het model accepteert tekst en afbeeldingen als invoer en geeft tekst als uitvoer.

In ChatGPT schakelt de modus Auto per 7 maart 2026 automatisch tussen GPT‑5.3 Instant en GPT‑5.4 Thinking, terwijl GPT‑5.4 Pro beschikbaar is als afzonderlijke high-capability modus. Voor ingelogde ChatGPT-gebruikers is GPT‑5.3 het standaardmodel.

Ontwikkeling van GPT-modellen

Ontwikkeling van GPT-modellen

Generatie	Jaar van uitgifte	Aantal parameters	Omvang van het tekstcorpus	Belangrijkste kenmerken
GPT-1	2018	≈117–124 miljoen	≈5 GB (BooksCorpus)	Generatief vooraf trainen op grote corpora; training in twee fasen (pre-training + fine-tuning)
GPT-2	2019	1,5 miljard	≈40 GB (WebText)	Aanzienlijk verbeterde tekstgeneratie; demonstratie van sterk zero-shot gedrag; aanvankelijk gedeeltelijke publicatie van het model
GPT-3	2020	175 miljard	≈570 GB (Common Crawl, WebText2 e.a.)	Grootschalig in-context learning; uitgesproken few-shot en zero-shot leervermogen zonder fine-tuning
GPT-3.5	2022	Niet bekendgemaakt (davinci-versies naar schatting ~175 miljard)	>570 GB + aanvullende corpora en instruction tuning	Verbeterde stabiliteit en instructievolging; basis voor vroege versies van ChatGPT
GPT-4	2023	Niet bekendgemaakt	Niet bekendgemaakt	Multimodaliteit (tekst + afbeeldingen); verhoogde nauwkeurigheid en robuustheid tegen hallucinaties; context van 8k/32k tokens
GPT-4 Turbo	2023	Niet bekendgemaakt	Gebaseerd op de training van GPT-4 (details niet bekendgemaakt)	Vergroting van de context tot 128 000 tokens; optimalisatie van snelheid en kosten van generatie
GPT-4o	2024	Niet bekendgemaakt	Multimodale data (tekst, afbeeldingen, audio)	Uniforme neurale multimodale verwerking; hoge responssnelheid
GPT-4.5	2025	Niet bekendgemaakt	Uitgebreide tekst- en multimodale corpora	Research preview op basis van GPT-4o; vermindering van fouten; deprecated tegen 2026
GPT-4.1	2025	Niet bekendgemaakt	Bijgewerkte corpora	Context tot 1 047 576 tokens; tekst + afbeeldingen als invoer, tekst als uitvoer
GPT-5	2025 (augustus)	Niet bekendgemaakt	Grootschalige multimodale corpora	Unified system met modi voor snelle antwoorden en redeneren; context ~400K tokens; vermindering van hallucinaties
GPT-5.1	2025 (november)	Niet bekendgemaakt	Uitgebreide corpora van GPT-5 + RLHF	Adaptief reasoning; 24h prompt caching; verbeteringen in coding
GPT-5.2	2025 (december)	Niet bekendgemaakt	Knowledge cutoff augustus 2025	Pro-modus; professioneel kenniswerk; GPT-5.2-Codex (agentische coding)
GPT-5.3-Codex	2026 (februari)	Niet bekendgemaakt	Bijgewerkte + self-improvement data	25% sneller; full-spectrum agent; interactive steering
GPT-5.3-Codex-Spark	2026 (februari)	Niet bekendgemaakt	Compact	>1000 t/s op Cerebras; realtime coding; 128K context
GPT-5.3 Instant	2026 (maart)	Niet bekendgemaakt	Niet bekendgemaakt	Update van het meest gebruikte gespreksmodel ChatGPT; verbeterde feitelijkheid, webzoeken en gespreksvloeiendheid
GPT-5.4	2026 (maart)	Niet bekendgemaakt	Niet bekendgemaakt	Nieuw frontier-model voor professioneel werk; native computer use; standaardmodel in de API voor general-purpose en de meeste coding-taken
GPT-5.4 Pro	2026 (maart)	Niet bekendgemaakt	Niet bekendgemaakt	Variant van GPT-5.4 met meer rekencapaciteit voor de zwaarste taken

Architecturale parameters van GPT-modellen

Architecturale parameters van GPT-modellen

Model	Jaar van uitgifte	Aantal parameters	Aantal lagen	Grootte van de verborgen toestand	Aantal aandachtshoofden	Contextvenster	Grootte van het trainings­corpus
GPT-1	2018	≈117–124 miljoen	12	768	12	512 tokens	≈5 GB (BooksCorpus)
GPT-2	2019	1,5 miljard	48	1 600	25	1 024 tokens	≈40 GB (WebText)
GPT-3	2020	175 miljard	96	12 288	96	2 048 tokens	≈570 GB (Common Crawl + WebText2 + overige)
GPT-3.5	2022	Niet bekendgemaakt (davinci-versies naar schatting ~175 miljard)	(naar schatting vergelijkbaar met GPT-3)	(naar schatting vergelijkbaar met GPT-3)	(niet bekendgemaakt)	Tot 4 096 tokens (vroeg); tot 16 385 tokens (laat)	Uitgebreid Common Crawl + aanvullende datasets en instruction tuning
GPT-4	2023	Niet bekendgemaakt	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	8 192 tokens (basis); 32 768 (GPT-4-32k)	Niet bekendgemaakt
GPT-4 Turbo	2023	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	Tot 128 000 tokens	Geoptimaliseerde versie van GPT-4 (details van het corpus niet bekendgemaakt)
GPT-4o	2024	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	Tot 128 000 tokens	Multimodale data: tekst, afbeeldingen, audio
GPT-4.5	2025	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	Tot 128 000 tokens	Bijgewerkte tekst- en multimodale corpora
GPT-4.1	2025	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	Tot 1 047 576 tokens	Multimodaliteit; geschaalde training met nadruk op lange contexten
GPT-5	2025	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	Tot ≈400 000 tokens (totale context)	Grootschalige multimodale corpora (details niet bekendgemaakt)
GPT-5.4	2026	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	(niet bekendgemaakt)	1 050 000 tokens; 128 000 max output	Niet bekendgemaakt

Verwijzingen

• «Improving language understanding with unsupervised learning», OpenAI, 11 juni 2018
• «Better language models and their implications», OpenAI, 14 februari 2019
• «GPT-2: 6-month follow-up», OpenAI, 20 augustus 2019
• «GPT-2: 1.5B release», OpenAI, 5 november 2019
• «Language models are few-shot learners», OpenAI, 28 mei 2020
• «OpenAI API», OpenAI, 11 juni 2020
• «Introducing ChatGPT», OpenAI, 30 november 2022
• «Function calling and other API updates», OpenAI, 13 juni 2023
• «GPT-4», OpenAI, 14 maart 2023
• «New models and developer products announced at DevDay», OpenAI, 6 november 2023
• «Hello GPT-4o», OpenAI, 13 mei 2024
• «Introducing GPT-4.1 in the API», OpenAI, 14 april 2025
• «Introducing GPT-4.5», OpenAI, 27 februari 2025
• «Introducing GPT-5», OpenAI, 7 augustus 2025
• «GPT-5.1: A smarter, more conversational ChatGPT», OpenAI, 12 november 2025
• «Introducing GPT-5.2», OpenAI, 11 december 2025
• «Introducing GPT-5.2-Codex», OpenAI, 18 december 2025
• «Introducing GPT-5.3-Codex», OpenAI, 5 februari 2026
• «Introducing GPT-5.3-Codex-Spark», OpenAI, 12 februari 2026
• «GPT-5.3 Instant: Smoother, more useful everyday conversations», OpenAI, 3 maart 2026
• «Introducing GPT-5.4», OpenAI, 5 maart 2026
• «Using GPT-5.4», OpenAI Developers
• «Models», OpenAI API
• «Deprecations», OpenAI API
• «GPT-5.3 and GPT-5.4 in ChatGPT», OpenAI Help Center
• «Retiring GPT-4o and other ChatGPT models», OpenAI Help Center

Literatuur

• Radford, A. et al. (2018). Improving Language Understanding by Generative Pre-Training. PDF.
• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361.
• Chen, M. et al. (2021). Evaluating Large Language Models Trained on Code. arXiv:2107.03374.
• Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. arXiv:2203.02155.
• Hoffmann, J. et al. (2022). Training Compute-Optimal Large Language Models. arXiv:2203.15556.
• Bai, Y. et al. (2022). Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback. arXiv:2204.05862.
• OpenAI (2023). GPT-4 Technical Report. arXiv:2303.08774.
• Bubeck, S. et al. (2023). Sparks of Artificial General Intelligence: Early Experiments with GPT-4. arXiv:2303.12712.