Open weights
Een AI-model waarvan de interne instellingen openbaar zijn, zodat je het zelf kunt downloaden en op je eigen servers laten draaien zonder cloud-API.
Laatst bijgewerkt op · Term toegevoegd.
Een open weights-model is een AI-model waarvan de "gewichten" (de interne instellingen die het gedrag van het model bepalen) vrij beschikbaar zijn voor download. Je hoeft het model dus niet via een cloud-API van OpenAI of Anthropic aan te roepen, maar kunt het op je eigen hardware (laptop, server, datacenter) installeren en draaien. Voorbeelden: Llama (Meta), Qwen (Alibaba), Gemma (Google) en DeepSeek.
Open weights vs. open source
De termen worden vaak door elkaar gebruikt, maar er is een verschil. Open source in de strikte zin (zoals de Open Source Initiative het definieert) vereist dat ook de trainingsdata, trainingscode en het volledige proces reproduceerbaar zijn. Bijna geen enkel groot model voldoet daaraan. Open weights betekent alleen dat de gewichten beschikbaar zijn, meestal onder een licentie die commercieel gebruik toestaat (Apache 2.0, MIT) of beperkt (Llama's Community License).
In de praktijk zegt men "open-source model" als men "open-weights model" bedoelt. Dat is technisch onnauwkeurig maar zo wijdverspreid dat bestrijden weinig zin heeft.
Waarom het ertoe doet
- Data-soevereiniteit. Als je het model zelf draait, verlaten je gegevens je eigen netwerk niet. Voor sectoren als zorg, overheid en financieel is dat vaak een vereiste.
- Kosten op schaal. Bij honderdduizenden API-verzoeken per dag kan zelf hosten goedkoper zijn, mits je de GPU-capaciteit hebt.
- Aanpasbaarheid. Je kunt het model fine-tunen op je eigen data of kwantiseren (comprimeren) zodat het op kleinere hardware past.
- Onafhankelijkheid. Geen risico dat de aanbieder de API-prijs verhoogt, het model uit de lucht haalt of de voorwaarden wijzigt.
De afweging
Open-weights modellen presteren doorgaans iets onder het niveau van de beste gesloten modellen, al wordt dat gat kleiner. Qwen 3 (27B parameters) scoort in april 2026 vergelijkbaar met Claude op codeertaken, bij een fractie van de inferentiekosten. Daar staat tegenover dat je zelf verantwoordelijk bent voor hosting, updates, veiligheid en compliance. Bij gesloten API's neemt de aanbieder dat uit handen.
Voor de AI Act maakt het verschil: als je een open-weights model zelf uitrolt, ben je deployer en gelden de bijbehorende verplichtingen (risicomanagement, transparantie). Bij een API-aanbieder draagt die een deel van de last.