Open-weight en Closed-weight modellen

Open-weight en Closed-weight modellen — dit zijn twee fundamenteel verschillende benaderingen voor de ontwikkeling en verspreiding van grote taalmodellen (LLM), die een belangrijke dichotomie vormen in het hedendaagse ecosysteem van kunstmatige intelligentie. De keuze tussen deze benaderingen beïnvloedt de technische mogelijkheden, de economie, de veiligheid en de toekomstige ontwikkeling van AI.

Het verschil ligt in de toegankelijkheid van de getrainde parameters (gewichten) van het model. Open-weight modellen publiceren hun gewichten, waardoor de gemeenschap deze kan gebruiken, aanpassen en lokaal implementeren. Closed-weight modellen houden de gewichten daarentegen geheim en bieden uitsluitend via propriëtaire API's toegang tot hun mogelijkheden.

Definities en belangrijkste verschillen

Open-weight modellen (met open gewichten)

Open-weight modellen — dit zijn systemen waarbij de getrainde parameters (gewichten) van het neurale netwerk openbaar beschikbaar zijn voor gebruik, aanpassing en verspreiding. Volgens de definitie van Andrej Karpathy van OpenAI lijkt zo'n model op het "overdragen van een binair bestand van een besturingssysteem" — gebruikers ontvangen een functioneel product, maar doorgaans zonder toegang tot de broncode van de training of de trainingsdata.

Belangrijkste kenmerken:

• Lokale implementatie: De mogelijkheid om het model op eigen hardware uit te voeren, waardoor volledige controle over gegevens en privacy wordt gewaarborgd.
• Fijnafstemming (Fine-tuning): De mogelijkheid om het model aan te passen aan specifieke taken en domeinen.
• Transparantie en audit: Onderzoekers kunnen de interne mechanismen van het model bestuderen om vooroordelen en kwetsbaarheden op te sporen.

Closed-weight modellen (met gesloten gewichten)

Closed-weight modellen (ook bekend als propriëtaire modellen) — dit zijn systemen waarvan de parameters een bedrijfsgeheim vormen en alleen toegankelijk zijn via API's of beperkte licenties. Ontwikkelende bedrijven zoals OpenAI en Anthropic hebben volledige controle over de architectuur, de trainingsmethoden en de inferentiemechanismen. In het technische rapport van GPT-4 wordt expliciet vermeld dat details niet worden vrijgegeven, "gezien de concurrerende omgeving en de gevolgen voor de veiligheid van grootschalige modellen".

Belangrijkste kenmerken:

• Gecentraliseerde controle: De ontwikkelaar beheert updates, beveiliging en gebruiksbeleid.
• Gebruiksgemak: Toegang via API ontslaat gebruikers van de noodzaak om complexe infrastructuur te beheren.
• Ondoorzichtigheid: Het ontbreken van toegang tot interne mechanismen maakt onafhankelijke audit onmogelijk en bemoeilijkt het begrijpen van de oorzaken van foutieve of bevooroordeelde antwoorden.

Onderscheid van Open-source

Het is belangrijk onderscheid te maken tussen de termen open-weight en open-source. Een echt open-source model impliceert de publicatie van alle artefacten die nodig zijn voor reproductie: gewichten, architectuur, trainingscode en datasets. De meeste moderne "open" modellen, zoals Llama van Meta, zijn open-weight, maar niet volledig open-source, omdat hun trainingsdata en de exacte trainingsmethoden gesloten blijven.

Vergelijkende analyse: prestaties, kosten en innovatie

Prestaties en maatwerk

Historisch gezien leidden closed-weight modellen zoals GPT-4 op algemene benchmarks. Het prestatieverschil neemt echter snel af. Volgens de Stanford AI Index 2025 is dit verschil het afgelopen jaar gedaald van 8% naar 1,7%. Krachtige open-weight modellen zoals LLaMA 3.1 405B van Meta en DeepSeek-V3 tonen vergelijkbare, en op sommige taken (met name programmeren) zelfs betere resultaten.

Het belangrijkste voordeel van open-weight modellen ligt in diepgaand maatwerk. De mogelijkheid om verder te trainen op specifieke gegevens stelt hen in staat om grotere, maar algemene closed-weight modellen te overtreffen op smalle gebieden zoals geneeskunde of juridische dienstverlening.

Economische aspecten

• Trainingskosten: Het creëren van frontier-modellen is buitengewoon kostbaar. Het trainen van GPT-4 wordt geraamd op meer dan $100 miljoen. Open-weight modellen zoals DeepSeek-V3 bereiken vergelijkbare prestaties bij kosten van $5,5 miljoen, waardoor de toegang tot het bouwen van krachtige systemen wordt gedemocratiseerd.
• Gebruikskosten (inferentie): Closed-weight modellen worden gefactureerd via een pay-per-use-model via API, wat bij grote volumes tot hoge kosten kan leiden. Open-weight modellen die lokaal worden geïmplementeerd, vereisen initiële investeringen in infrastructuur, maar hebben bij schaalvergroting een aanzienlijk lagere totale eigendomskosten (TCO).

Invloed op wetenschappelijk onderzoek en innovatie

Open-weight modellen transformeren wetenschappelijk onderzoek fundamenteel door reproduceerbaarheid en democratisering van toegang te waarborgen. Onderzoekers wereldwijd kunnen open modellen analyseren, bekritiseren en verbeteren, wat een dynamisch ecosysteem creëert en de voortgang versnelt. Gesloten modellen veroorzaken daarentegen een "reproductiecrisis", omdat geclaimde resultaten niet onafhankelijk geverifieerd kunnen worden.

Veiligheid en ethische dilemma's

Het veiligheidsvraagstuk vormt het centrale dilemma in het debat tussen openheid en controle.

• Aanpak van Closed-weight (Gecentraliseerde preventie): Ontwikkelaars zoals OpenAI en Anthropic hanteren een preventieve aanpak. Ze implementeren complexe veiligheidsfilters, voeren intensief red teaming uit en hanteren strikte beleidslijnen, zoals het Responsible Scaling Policy van Anthropic, met de verplichting om geen modellen te implementeren die bepaalde risicodrempels overschrijden.
• Aanpak van Open-weight (Gedecentraliseerde veerkracht): Deze filosofie, vergelijkbaar met de open-source wereld, stelt dat "vele ogen alle fouten klein maken". De gemeenschap kan kwetsbaarheden sneller vinden en oplossen. Dit brengt echter ook risico's met zich mee: kwaadwillenden kunnen modellen even gemakkelijk bestuderen om kwetsbaarheden te vinden of beveiligingsmechanismen te verwijderen via fine-tuning.

Onderzoek toont aan dat menselijke intentie, en niet de beschikbaarheid van het model, de primaire risicofactor is. 90% van de gedocumenteerde gevallen van misbruik van generatieve AI houdt verband met het exploiteren van toegestane mogelijkheden, en niet met schade gegenereerd door de systemen zelf.

Regelgevende benaderingen: EU en VS

• EU AI Act: Hanteert een preventieve, risicogebaseerde aanpak. De wet introduceert strenge verplichtingen voor modellen met "systemisch risico" (waarvoor meer dan 10²⁵ FLOPS voor training nodig zijn), maar biedt beperkte uitzonderingen voor open-source modellen die een dergelijk risico niet met zich meebrengen. Dit creëert een stimulans voor transparantie, maar ook regelgevende complexiteit.
• Aanpak van de VS: Gebaseerd op het stimuleren van innovatie en risicobeheer via sectorstandaarden. Uitvoeringsbevel van President Biden 14110 en het daaropvolgende rapport van de NTIA bevelen aan om af te zien van het onmiddellijk invoeren van beperkingen op open-weight modellen, en stellen in plaats daarvan voor een monitoringsysteem op te zetten voor besluitvorming op basis van feitelijke gegevens.

Belangrijkste modellen en spelers

Vergelijkingstabel van toonaangevende Open-weight en Closed-weight modellen

Type model	Model	Ontwikkelaar	Belangrijkste kenmerk
Open-weight	LLaMA 3.1	Meta	Hoge prestaties die de standaard voor open modellen hebben gesteld; grote gemeenschap.
	Mixtral 8x7B	Mistral AI	Mixture of Experts (MoE)-architectuur die hoge prestaties biedt bij lage inferentiekosten.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Historische prestatiekoploper, sterke multimodale mogelijkheden.
	Claude 4 Opus	Anthropic	Focus op veiligheid en ethiek (Constitutional AI), groot contextvenster.

Verwijzingen

• Stanford AI Index Report 2025 — Jaarlijks rapport over de stand van AI.
• NTIA-rapport over modellen met open gewichten

Literatuur

• OpenAI et al. (2023). GPT-4 Technical Report. arXiv:2303.08774.
• Touvron, H. et al. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models. arXiv:2307.09288.
• DeepSeek-AI (2025). DeepSeek-V3 Technical Report. arXiv:2412.19437.
• Kapoor, S.; Bommasani, R. et al. (2024). On the Societal Impact of Open Foundation Models. arXiv:2403.07918.
• U.S. NTIA (2024). Dual-Use Foundation Models with Widely Available Model Weights. NTIA Report.
• Stanford HAI (2025). Artificial Intelligence Index Report 2025. Full PDF.
• Anthropic (2023). Responsible Scaling Policy. Anthropiс RSP.
• Klyman, K. et al. (2024). A Design Framework for Open-Source Foundation Model Safety. arXiv:2406.10415.
• Kembery, E.; Reed, T. (2024). AI Safety Frameworks Should Include Procedure for Model Access Decisions. arXiv:2411.10547.
• European Commission (2024). General-Purpose AI Models in the AI Act – Q&A. EU AI Act FAQ.
• Zhang, X. et al. (2025). Mitigating Cyber Risk in the Age of Open-Weight LLMs. arXiv:2505.17109.
• Biderman, S. et al. (2024). Risks and Opportunities of Open-Source Generative AI. arXiv:2405.08597.