Open source versus gewogen open weights modellen vergeleken

In het AI-landschap wordt de term open source veelvuldig gebruikt voor taalmodellen die technisch gezien onder een heel andere noemer vallen. Wanneer een organisatie modelgewichten downloadt van platforms zoals Hugging Face, betekent dit zelden dat het model voldoet aan de traditionele standaarden van open-source software. In de praktijk is er een fundamenteel onderscheid ontstaan tussen zuivere open-source AI enerzijds en open-weights modellen anderzijds. Dit verschil heeft directe consequenties voor juridische aansprakelijkheid, compliance met Europese regelgeving, reproduceerbaarheid van data en de uiteindelijke beheersbaarheid van je infrastructuur.

Waar traditionele opensourcesoftware volledige inzage geeft in de broncode en onbeperkte vrijheid biedt voor modificatie en herdistributie, leveren open-weights modellen hoofdzakelijk gecompileerde binaire matrices op: de neurale gewichten. Zonder inzage in de exacte trainingsdatasets, datafilters, pipelines en trainingsscripts blijft de werking van zo'n model deels een black box. In dit artikel analyseren we de technische en juridische scheidslijnen tussen beide vormen, beoordelen we de Open Source Initiative (OSI) kaders en kijken we naar de operationele afwegingen bij modelselectie.

1. De anatomie van een AI-model: broncode versus gecompileerde gewichten

Om te begrijpen waar de scheidslijn ligt, moeten we een neuraal netwerk ontleden in zijn basisonderdelen. Een werkend taalmodel bestaat grofweg uit vier pijlers: de architectuurcode (hoe de transformatorlagen gestructureerd zijn), de trainingscode en hyperparameters (hoe het optimalisatieproces verloopt), de trainingsdata (de biljoenen tokens aan tekst of code), en het uiteindelijke artefact: de modelgewichten (de numerieke tensors die na weken of maanden GPU-training overblijven).

Bij traditionele software is de broncode leesbaar voor mensen. Ontwikkelaars kunnen de logica inspecteren, compilers aanpassen en precies zien hoe een invoer leidt tot een uitvoer. Bij een taalmodel fungeert de trainingsdata in combinatie met het trainingsalgoritme als de feitelijke bron. De uiteindelijke gewichtenmatrix is vergelijkbaar met een gecompileerd binair bestand (zoals een .dll of .so-bestand). Wie alleen de gewichten krijgt, kan het model uitvoeren en finetunen, maar heeft geen controle over de fundamentele basis waarop de parameters zijn gevormd.

Dit levert een directe uitdaging op voor organisaties die strikte audits moeten uitvoeren. Als een model ongewenst gedrag vertoont of gevoelige trainingsdata lekt via parametrisch geheugen, is het zonder de onderliggende data vrijwel onmogelijk om de grondoorzaak te herleiden. Om deze structurele eigenschappen formeel te beoordelen, helpt het om te zien hoe je modelkaarten en licenties leest tijdens een technisch auditproces.

2. De definitie van Open Source AI volgens het OSI

Het Open Source Initiative (OSI) heeft met de Open Source AI Definition (OSAID) duidelijke kaders vastgesteld voor wat rechtmatig open-source AI mag heten. Volgens deze standaard moet een gebruiker van een AI-systeem dezelfde vier fundamentele vrijheden genieten als bij traditionele software: het systeem gebruiken voor elk doel, bestuderen hoe het werkt, aanpassen voor eigen behoeften en herdistribueren aan derden.

Om aan deze criteria te voldoen, stelt de OSI dat een release minimaal de volgende componenten transparant en vrij toegankelijk moet maken:

Wanneer een aanbieder alleen gewichten publiceert en de trainingsdata geheimhoudt, kwalificeert het model volgens de OSI-definitie niet als open source. Het publieke debat hierover raakt de kern van transparantie in de technologiesector; lees meer over de achtergronden van het licentiedebat rond open modellen en de implicaties voor de industrie.

3. Kenmerken en beperkingen van open weights

Open-weights modellen hebben de adoptie van lokaal draaiende AI enorm versneld. Modellen zoals Meta's Llama-serie, Mistral AI's releases en Google's Gemma bieden uitstekende prestaties die direct op eigen servers kunnen draaien. Toch brengen de bijbehorende licenties specifieke juridische en technische beperkingen met zich mee die organisaties niet mogen negeren.

Een veelvoorkomend element in open-weights licenties is de aanwezigheid van een Acceptable Use Policy (AUP). Zo verbieden bepaalde licenties het gebruik van het model voor specifieke sectoren, zoals defensie, surveillance, of het genereren van synthetische data om concurrerende modellen te trainen. Zodra een licentie het gebruiksdoel beperkt (zogeheten 'field of use restrictions'), vervalt de kwalificatie als vrije software.

Daarnaast bevatten sommige open-weights licenties commerciële drempels. De Meta Llama-licentie vereist bijvoorbeeld een expliciete aanvullende licentieovereenkomst zodra een product of dienst meer dan 700 miljoen maandelijks actieve gebruikers bereikt. Hoewel dit voor de meeste MKB-bedrijven geen directe belemmering vormt, toont het aan dat de controle juridisch bij de oorspronkelijke uitgever blijft liggen. Voor een gedetailleerd overzicht van wat contractueel is toegestaan, raadpleeg je het overzicht over licenties van open modellen en commerciële gebruiksrechten.

4. Transparantie van trainingsdata en copyrightrisico's

Het grootste functionele verschil tussen zuivere open source en open weights manifesteert zich in de data. Bij modellen zoals OLMo (Allen Institute for AI) zijn de ruwe trainingsdata (zoals Dolma) en de bijbehorende scraping- en deduplicatiescripts openbaar beschikbaar. Hierdoor kunnen onderzoekers en data engineers exact traceren of een specifieke tekst, auteur of bronbestand deel uitmaakte van de pre-trainingfase.

Bij open-weights modellen ontbreekt deze transparantie vrijwel altijd. Commerciële laboratoria beschouwen hun datacuratiescripts en bronnenselectie als cruciaal intellectueel eigendom. Dit brengt voor eindgebruikers twee concrete risico's met zich mee:

Ten eerste is er het juridische risico omtrent auteursrecht en de Europese AI Act. Organisaties die modellen inzetten in gereguleerde markten moeten kunnen aantonen dat gebruikte systemen geen inbreuk maken op intellectueel eigendom. Zonder inzicht in de trainingsdata is een onafhankelijke controle onmogelijk. Ten tweede is er het risico van bias en hallucinatie: als niet bekend is welke domeinen onder- of oververtegenwoordigd zijn in de dataset, is het lastig om systematische fouten in downstream taken vooraf in te schatten.

# Voorbeeld van data-inspectie bij een zuiver open-source model (bv. OLMo/Dolma)
from dolma import DocumentDataset

# Inspecteer de herkomst van trainingsdata binnen een shard
dataset = DocumentDataset.from_prefix("s3://ai2-dolma/data/v1_7/part-00000.json.gz")
for doc in dataset:
    if "rechtspraak.nl" in doc.metadata.get("source_domain", ""):
        print(f"Gevonden juridisch document: {doc.id}")
        break

5. Aanpasbaarheid, fine-tuning en distillatie

Op het gebied van aanpasbaarheid ontlopen open source en open weights elkaar in eerste instantie weinig voor de alledaagse praktijk: beide categorieën laten zich fine-tunen met technieken zoals LoRA, QLoRA of volledige parameter-optimalisatie. De gewichten kunnen direct in frameworks als PyTorch, vLLM of Transformers worden geladen.

Het verschil wordt zichtbaar wanneer diepere aanpassingen noodzakelijk zijn. Wil je een model vanaf scratch hertrainen met een aangepaste tokenizer die geoptimaliseerd is voor een specifieke taal (zoals het Nederlands) of een specifiek domein (zoals medische terminologie), dan volstaan losse gewichten niet. Je hebt dan de volledige data-preparatiepipeline en trainingsparameters nodig om catastrofaal vergeten (catastrophic forgetting) te voorkomen.

Daarnaast leggen commerciële open-weights licenties regelmatig beperkingen op aan modeldistillatie. Het genereren van outputs met model A om daarmee een kleiner model B te trainen, wordt door licenties van onder meer Mistral en Llama expliciet gereguleerd of verboden wanneer het resulterende model direct concurreert met de licentiegever. Bij een zuiver open-source model onder een Apache-2.0-licentie bestaan dergelijke beperkingen niet.

6. Beveiliging, controleerbaarheid en compliance

In enterprise-omgevingen spelen security en compliance een doorslaggevende rol bij de modelkeuze. Het zelf hosten van modelgewichten lost het netwerkprivacyprobleem op: data verlaat het eigen datacenter of de private VPC niet. Dit maakt zowel open source als open weights aantrekkelijk voor situaties waarin data niet via externe closed-source API's mag lopen.

Toch is er een nuanceverschil in controleerbaarheid:

Bij open weights kan het model verborgen afstemmingen (alignment biases of safety guardrails) bevatten die via RLHF zijn ingebakken zonder dat de beloningsmodellen (reward models) of voorkeursdatasets (preference datasets) openbaar zijn. Dit kan leiden tot onvoorspelbaar gedrag, zoals overmatige weigeringen (refusals) bij volkomen legitieme bedrijfscontexten (bijvoorbeeld bij medische dossiers of forensische analyses). Een organisatie kan deze filters proberen te omzeilen via ontcijfering of fine-tuning, maar begrijpt niet exact waarom het basismodel op bepaalde patronen blokkeert.

Voor compliance met standaarden zoals ISO/IEC 42001 (AI Management System) en de transparantie-eisen uit de AI Act biedt een volledig open-source model aantoonbare voordelen: de herleidbaarheid van data, architectuur en afstemmingsprocessen is volledig gedocumenteerd, wat audits aanzienlijk vereenvoudigt.

7. Operationele afwegingen: TCO en infrastructuur

In de dagelijkse praktijk draait modelselectie om de balans tussen kwaliteit, hardware-eisen en operationele kosten. Open-weights modellen hebben op dit moment vaak het voordeel van enorme schaal: partijen als Meta en Mistral investeren tientallen miljoenen euro's in rekenkracht om modellen van 70B tot 400B parameters te trainen. Zuivere open-source projecten, vaak afkomstig van academische consortia of non-profitorganisaties, beschikken doorgaans over bescheidener trainingsbudgetten, wat kan resulteren in lagere algemene benchmarkscores.

Wanneer we kijken naar de totale eigendomskosten, spelen er verschillende factoren mee. Een lokaal gehost model (ongeacht of het open source of open weights is) vereist investeringen in GPU-capaciteit, koeling, elektriciteit en operationeel onderhoud. Om te berekenen wanneer lokaal draaien rendabeler is dan het inkopen van tokens via commerciële API's, bekijk je de analyse van de totale eigendomskosten van open versus gesloten modellen.

8. Welke architectuur past bij jouw use-case?

De uiteindelijke keuze tussen zuivere open source en open weights hangt af van de prioriteiten van het project. We onderscheiden drie primaire scenario's:

Scenario A: Maximale prestaties binnen eigen infrastructuur. Als de primaire eis is dat data binnen de eigen servers blijft en de hoogste redeneerkwaliteit vereist is, bieden open-weights modellen zoals Llama of Mistral de beste papieren. De licentiebeperkingen vormen voor regulier intern gebruik zelden een obstakel, zolang de AUP gerespecteerd wordt.

Scenario B: Wetenschappelijk onderzoek en formele compliance-audits. Moet er wetenschappelijk gepubliceerd worden over de werking van het model, of eist een toezichthouder volledige verantwoording over trainingsbronnen en data-ethiek? Dan is een zuiver open-source model met vrijgegeven trainingscorpus de enige optie die juridisch en methodologisch standhoudt.

Scenario C: Onafhankelijke modeldistillatie en productontwikkeling. Bouwt een organisatie een eigen commercieel AI-product waarbij data van het model gebruikt wordt om kleinere, gespecialiseerde netwerken te trainen? Kies dan voor een basismodel met een onbeperkte Apache-2.0 of MIT-licentie om latere claims over licentieschending te voorkomen.

Conclusie

De term open source wordt in de AI-sector vaak als marketinglabel gehanteerd, maar de technische en juridische realiteit dwingt tot scherpte. Open-weights modellen bieden organisaties ongekende rekenkracht en privacyvoordelen voor lokale implementaties, maar blijven gebonden aan licentievoorwaarden en gesloten datasets. Zuivere open-source AI garandeert volledige transparantie, auditeerbaarheid en onbeperkte exploitatierechten, zij het soms met een concessie op het vlak van ruwe prestaties. Door deze verschillen structureel mee te wegen in het selectieproces, bouwen teams aan een AI-architectuur die zowel technisch krachtig als juridisch houdbaar is.