Base Labs wil open-source AI verder brengen met post-training onderzoek

TL;DR

• Wat: Baseten lanceert Base Labs, een onderzoeksorganisatie die zich richt op open-source AI-modellen en post-training technieken zoals reinforcement learning en continual learning.
• Waarom relevant: Open-source modellen worden steeds vaker de basis voor bedrijfsspecifieke AI — wie snapt hoe je ze kunt aanpassen, heeft een voorsprong.
• Wat je ermee kunt: Volg de publicaties van Base Labs als je overweegt om open-source modellen in te zetten voor je bedrijf. Hun onderzoek naar specialisatie is direct toepasbaar.

Ik kwam deze aankondiging tegen via het account @baselabs op X: Baseten richt een aparte onderzoekstak op, genaamd Base Labs, gericht op het verbeteren van open-source AI. Wat mij deed stoppen bij dit bericht is niet zozeer de lancering zelf, maar het onderzoeksgebied dat ze aansnijden — en wat dat op termijn kan betekenen voor iedereen die AI inzet in het bedrijf.

Wat is Base Labs precies?

Base Labs is een onderzoeksorganisatie van Baseten, een Amerikaans platform dat AI-modellen in productie brengt voor bedrijven. Waar Baseten zich vooral richt op de infrastructuur — het draaien en schalen van modellen — gaat Base Labs een stap eerder zitten: het onderzoek naar hoe modellen beter kunnen leren ná hun basistraining.

Dat klinkt misschien abstract, dus even een vergelijking. Stel je voor dat een AI-model na de basisopleiding een soort generalist is — vergelijkbaar met iemand die net is afgestudeerd. Die persoon weet van alles een beetje, maar is nog nergens echt goed in. Post-training is dan de specialisatie: de fase waarin het model leert om specifieke taken heel goed uit te voeren.

Base Labs richt zich op drie onderzoeksgebieden:

• Continual learning: hoe een model nieuwe kennis kan leren zonder oude kennis te verliezen
• De wetenschap achter reinforcement learning (RL): hoe modellen leren van beloningen en feedback, in plaats van alleen van voorbeelden
• Hoe modellen überhaupt leren: fundamenteel onderzoek naar het leerproces zelf

Wat ik opmerkelijk vind, is dat Base Labs alles openbaar publiceert — inclusief mislukte experimenten. Dat is niet vanzelfsprekend in een wereld waar veel AI-labs hun onderzoek achter gesloten deuren houden.

Waarom continual learning een hardnekkig probleem is

Van alle onderzoeksgebieden die Base Labs noemt, vind ik continual learning het meest intrigerend vanuit een bedrijfsperspectief. Het probleem is namelijk herkenbaar: als je een AI-model iets nieuws leert, vergeet het vaak iets anders. In de vakliteratuur heet dit catastrophic forgetting — catastrofaal vergeten.

Baseten heeft hier al onderzoek naar gepubliceerd. Hun kernstelling is eerlijk gezegd best confronterend: hoe breder je een model wilt houden, hoe duurder continual learning wordt. De kosten schalen mee met de algemeenheid van het model.

Hun voorspelling is dat we niet naar één groot alleskunner-model toewerken, maar naar duizenden — uiteindelijk miljoenen — gespecialiseerde modellen. Elk model wordt dan geoptimaliseerd voor een smal domein en verbetert continu binnen dat domein. De intelligentie ontstaat door modellen slim te combineren en te routeren.

Wat betekent dit concreet?

Kun je je voorstellen wat dit betekent als je als ondernemer AI inzet? In plaats van één duur, algemeen model dat alles moet kunnen — klantenservice, productaanbevelingen, documentverwerking — zou je straks meerdere kleinere, gespecialiseerde modellen kunnen draaien. Elk getraind op jouw specifieke data, voor jouw specifieke taak.

Dat klinkt misschien als meer werk, maar het onderzoek suggereert dat het juist efficiënter en goedkoper kan zijn. Een gespecialiseerd model hoeft minder te onthouden en kan sneller verbeteren op wat het wél moet doen.

Reinforcement learning als nieuwe standaard

Het tweede onderzoeksgebied, reinforcement learning, is al langer bekend maar wint nu snel aan terrein in de AI-wereld. Waar traditionele fine-tuning een model leert door voorbeelden te laten zien — "zo moet het antwoord eruitzien" — leert RL het model door feedback: "dit antwoord was goed, dit was minder."

Uit het onderzoek van Base Labs blijkt dat reinforcement learning een belangrijk voordeel heeft boven gewone fine-tuning: het model behoudt bestaande kennis beter. Bij supervised fine-tuning — leren van voorgekookte voorbeelden — gaat er meer verloren van wat het model al kon.

Een concreet voorbeeld uit hun werk: Base Labs heeft samen met juridisch AI-bedrijf Harvey een open-source model van 27 miljard parameters getraind dat op juridische taken net zo goed presteert als veel grotere, gesloten modellen. Dat is relevant, want het laat zien dat je met open modellen en de juiste post-training technieken resultaten kunt halen die eerder alleen bereikbaar waren met dure, gesloten alternatieven.

Wat dit betekent voor de open-source AI-markt

De timing van deze aankondiging is niet toevallig. Er is op dit moment veel beweging in de open-source AI-wereld. Kort geleden maakte Hugging Face nog een samenwerking met NVIDIA bekend, ook gericht op het versterken van open-source AI. En modellen als Llama, Qwen en Mistral worden steeds vaker als basis gebruikt door bedrijven die hun eigen AI-toepassingen bouwen.

Ik denk dat Base Labs een signaal is van een bredere trend: de post-training fase wordt steeds belangrijker. Het basismodel is niet meer het eindproduct — het is het startpunt. De echte waarde zit in hoe je dat model daarna aanpast voor je specifieke situatie.

Voor ondernemers is dat een belangrijke verschuiving. Het betekent dat je niet per se het grootste of duurste model nodig hebt. Met de juiste specialisatie kan een kleiner, open model net zo goed — of soms beter — presteren dan een groot, generiek model voor jouw specifieke toepassing.

Het fellowship-programma

Base Labs biedt ook een fellowship-programma aan: onderzoekers kunnen drie maanden lang werken aan post-training-uitdagingen, met een vergoeding van 15.000 dollar per maand plus rekenkracht. De volgende groep start volgens de website in september 2026. Dat is geen informatie die direct relevant is voor de gemiddelde ondernemer, maar het zegt wel iets over de serieuze investering die Baseten doet in dit onderzoeksgebied.

Een kantoor vol specialisten in plaats van één alleskunner

Base Labs publiceert vier principes waar ze zich aan willen houden: transparantie over alle resultaten, kritiek omarmen als essentieel, focussen op concrete problemen met toetsbare uitkomsten, en geen opgeblazen claims maken. Wat mij betreft is dat een verfrissende houding in een veld dat soms meer hype produceert dan resultaten.

Wat ik meeneem uit deze aankondiging is het beeld van die gespecialiseerde toekomst. Niet één superintelligent model dat alles doet, maar een ecosysteem van modellen die elk hun ding goed doen. Een beetje zoals een kantoor vol specialisten in plaats van één medewerker die alles moet kunnen.

Voor mij is dit vooral een signaal dat de open-source AI-wereld volwassener wordt. Het gaat niet meer alleen om wie het grootste model kan trainen, maar om wie het slimst kan specialiseren. En dat is een ontwikkeling waar je als ondernemer van kunt profiteren — ongeacht de grootte van je bedrijf.