Open-source AI

Open-source AI is AI waarvan de makers het model of de software zo publiceren dat iedereen het mag gebruiken, bekijken, aanpassen en doorgeven, meestal gratis. Als bedrijf kun je zo'n model op je eigen computer of server draaien. Klantgegevens blijven dan in huis en je betaalt niet per vraag. Wel betaal je voor de hardware, en de licentie bepaalt wat je ermee mag.

Wat telt als open source?

De term komt uit de softwarewereld: de broncode is openbaar, onder een licentie waarmee iedereen de software mag gebruiken, bestuderen, aanpassen en delen. Voor AI publiceerde het Open Source Initiative (OSI), dat die definitie voor software beheert, op 28 oktober 2024 de Open Source AI Definition 1.0. Die vraagt om dezelfde vier vrijheden en om alles wat je nodig hebt om het systeem te veranderen: de parameters van het model (de gewichten), de volledige code om het te trainen en te draaien, en zo veel informatie over de trainingsdata dat een vakkundig iemand een in wezen gelijkwaardig systeem kan bouwen.

Veel modellen die open heten, publiceren alleen de getrainde gewichten: je kunt het model downloaden en draaien, maar je ziet niet hoe het gemaakt is. Het OSI noemt dat open weights (zie open weights en open source). In het dagelijks gebruik vallen beide onder "open-source AI".

Hoe groot is het open ecosysteem?

Hugging Face, een platform waarop ontwikkelaars modellen en datasets delen, groeide in 2025 naar 13 miljoen gebruikers, meer dan 2 miljoen openbare modellen en meer dan 500.000 openbare datasets, volgens het eigen rapport State of Open Source on Hugging Face: Spring 2026 (maart 2026). In het jaar voor het rapport haalden Chinese modellen 41% van de downloads, meer dan welk ander land ook, nadat DeepSeek in januari 2025 zijn model R1 had uitgebracht (zie Waarom loopt China voorop in open-source AI?). Onafhankelijke ontwikkelaars, die vooral bestaande modellen verkleinen, aanpassen en opnieuw publiceren, gingen van 17% van de downloads voor 2022 naar 39% in 2025.

Kunnen open modellen de gesloten modellen bijhouden?

In april 2026 publiceerde het Chinese lab Z.ai GLM-5.1, een model met 754 miljard parameters, met de gewichten op Hugging Face onder de MIT-licentie. In de eigen benchmarktabel van Z.ai scoorde het 58,4 op SWE-Bench Pro, een test met programmeertaken uit echte softwareprojecten, net boven GPT-5.4 (57,7) en Claude Opus 4.6 (57,3). Op de meeste andere tests in dezelfde tabel scoorde een gesloten model van OpenAI, Anthropic of Google het hoogst. Alleen de gewichten beslaan al 1,51 TB (Simon Willison). Volgens Hugging Face worden kleine modellen veel vaker gedownload dan heel grote, vanwege de kosten, de snelheid en de beschikbare hardware.

Hoe gebruik je een open model?

Je downloadt de gewichten, vaak van Hugging Face, en draait ze met software als Ollama, llama.cpp of vLLM. Kwantisatie slaat de gewichten op met minder bits, zodat een model op kleinere hardware past. Wil je een model je eigen materiaal leren, dan train je het bij (fine-tuning), vaak met PEFT, dat een kleine aanvulling traint in plaats van het hele model. Bibliotheken als LLaMA-Factory en Unsloth helpen daarbij.

Voorbeeld

Stel: een klein softwarebedrijf wil een programmeerassistent die de eigen code kent, zonder die code naar een externe dienst te sturen. Het downloadt DeepSeek-Coder 6.7B, traint met PEFT een aanvulling op de eigen repository's en draait het model op een eigen server. De code blijft in huis, en in plaats van API-kosten betaalt het bedrijf voor de server en het onderhoud. De modellicentie staat commercieel gebruik toe, maar noemt ook toepassingen die verboden zijn. De OSI-definitie eist gebruik voor elk doel, dus volgens die definitie telt DeepSeek-Coder niet als open source.