01Wat een open-weight model is
Een open-weight model is een AI-model waarvan de getrainde parameters, de gewichten, publiek beschikbaar zijn om te downloaden. Die gewichten zijn het eindresultaat van het complete trainingsproces: de patronen die het model heeft vastgelegd tijdens pretraining, de gedragseigenschappen die het heeft geleerd tijdens posttraining, en de alignment-keuzes die de bouwer heeft aangebracht.
Met die gewichten kan een organisatie het model draaien op eigen hardware of bij een hostingpartner. Het model hoeft niet via een externe API te worden aangesproken. De data blijven binnen de eigen infrastructuur. En het model kan worden aangepast: fine-tuning op eigen data, bijsturing van het gedrag, integratie in eigen systemen zonder afhankelijkheid van de oorspronkelijke bouwer.
Dat is een wezenlijk ander model van toegang dan bij gesloten modellen. Bij een gesloten model huur je een dienst. Bij een open-weight model krijg je het resultaat van het trainingsproces in handen.
02Open-weight is niet open-source
Hier zit een onderscheid dat in de praktijk veel verwarring veroorzaakt, en dat er werkelijk toe doet zodra een organisatie keuzes maakt.
Wat openbaar is
Bij een open-weight model zijn de gewichten publiek. Een organisatie kan het model downloaden en gebruiken. Dat is een enorme stap vergeleken met een gesloten model. Maar het is niet het volledige plaatje.
De trainingsdata, de samenstelling van de pretraining-dataset, de exacte trainingscode en de details van het posttraining-proces zijn bij de meeste open-weight modellen niet openbaar. De gebruiker krijgt het eindproduct, niet het productieproces. Het is vergelijkbaar met het kopen van een auto: je kunt ermee rijden en je kunt onderdelen vervangen, maar je hebt geen toegang tot de fabriek, de productietekeningen of de testresultaten.
Wat echt open-source is
Een echt open-source model deelt alles: de gewichten, de trainingsdata, de trainingscode, de evaluatieresultaten en de volledige documentatie. Dat maakt het mogelijk om het model van de grond af te reproduceren, elke ontwerpkeuze te inspecteren en het trainingsproces volledig te doorlopen. Modellen als OLMo van het Allen Institute voldoen aan die standaard. Ze zijn zeldzaam, en ze worden vooral ingezet in academisch onderzoek en door organisaties die volledige transparantie nodig hebben.
De praktische consequentie
Dat klinkt misschien als een academische kwestie. Dat is het niet. Een organisatie die een open-weight model inzet, kan het fine-tunen en aanpassen, maar kan niet onafhankelijk vaststellen op welke data het is getraind. Dat beperkt de mogelijkheid om vertekeningen in het model te identificeren of om te beoordelen of het model geschikt is voor een specifiek domein. Een echt open-source model biedt die inspectie wel. Voor de meeste commerciële toepassingen is een open-weight model ruim voldoende. Voor toepassingen waar verantwoording, transparantie of regulatorische vereisten een rol spelen, kan het verschil bepalend zijn.