Een klein AI-model leert GeoGuesser spelen voor honderd dollar

TL;DR

• Wat: Een open-source AI-model met 4 miljard parameters is via reinforcement learning getraind om GeoGuesser te spelen — en presteert beter dan grotere commerciële modellen.
• Waarom relevant: Het laat zien dat je met beperkt budget en open tools AI-resultaten kunt halen die voorheen alleen voor grote techbedrijven bereikbaar waren.
• Wat je ermee kunt: Volg de ontwikkeling van open-source AI-training: de drempel om zelf met visuele AI te experimenteren wordt steeds lager.

Ik kwam een bericht tegen van Hugging Face over een project van AI-ontwikkelaar Adithya S K: een relatief klein AI-model dat via reinforcement learning heeft geleerd om GeoGuesser te spelen. Wat mij meteen opviel: het hele project — van trainingsdata tot code — is open-source beschikbaar. Dat vind ik het bespreken waard.

Wat is hier precies gebouwd?

Even de basis. GeoGuesser is een online spel waarin je ergens op aarde wordt gedropt in een straatbeeld en moet raden waar je bent. Mensen gebruiken aanwijzingen als verkeersborden, vegetatie, rijrichting en zelfs het type wegmarkering om hun locatie te bepalen.

Adithya S K heeft een zogeheten vision language model (VLM) — een AI-model dat zowel tekst als beelden begrijpt — getraind om precies dit te doen. Het model is gebaseerd op Qwen3.5-4B, een model met 4 miljard parameters. Ter vergelijking: veel commerciële modellen werken met tientallen tot honderden miljarden parameters. Dit is dus een relatief lichtgewicht model.

De trainingsmethode heet GRPO, een vorm van reinforcement learning. In plaats van het model simpelweg te vertellen wat het juiste antwoord is, krijgt het een beloning op basis van hoe dicht de voorspelling bij de werkelijke locatie zit — gemeten in kilometers afwijking. Het model leert dus door te doen, niet door antwoorden na te papegaaien.

Het bijzondere: het model speelt in meerdere stappen. Het observeert een straatbeeld, kan rondlopen, inzoomen op borden en pas daarna een locatie vastleggen. Dat lijkt veel op hoe een mens het spel speelt.

De resultaten: klein model, grote prestaties

Wat mij hier écht opvalt, zijn de prestaties in verhouding tot de kosten. Volgens de projectpagina scoort het getrainde model op een testset van 200 locaties beter dan gpt-5.4-mini en claude-haiku-4.5 — beide commerciële modellen van respectievelijk OpenAI en Anthropic. Alleen claude-sonnet-5 scoort hoger.

En de trainingskosten? Ongeveer honderd dollar. Tien uur op vier A100 GPU's. Of langer op één enkele GPU als je niet gehaast bent.

Ik vind het eerlijk gezegd opmerkelijk dat een open-source model van 4 miljard parameters grotere, commerciële modellen kan bijbenen op een specifieke visuele taak. Dat past in een trend die ik al langer volg: gespecialiseerde, kleinere modellen die op hun eigen domein verrassend goed presteren.

Een kanttekening bij de vergelijking

Wel belangrijk om erbij te zeggen: de vergelijking met GPT-5.4-mini en Claude Haiku gaat over een specifieke taak — geolocatie op basis van straatbeelden. Die commerciële modellen zijn generalisten: ze zijn niet getraind óm GeoGuesser te spelen. Het is dus geen eerlijke een-op-een vergelijking van algemene intelligentie. Maar juist dát maakt het interessant voor de praktijk, waar je ook vaak een specifiek probleem wilt oplossen.

Waarom open-source hier het verschil maakt

Alles aan dit project is openbaar: de trainingsomgeving, de dataset (gebaseerd op echte straatbeelden van Mapillary), het trainingsrecept, de evaluaties en de code. Het draait als onderdeel van het HuggingEnvs-project op GitHub, een verzameling RL-omgevingen specifiek voor het trainen van taalmodellen.

Kun je je voorstellen wat dit betekent als je als ondernemer nadenkt over visuele AI? Stel dat je een bedrijf hebt dat werkt met locatiedata, logistiek of vastgoed. Een paar jaar geleden had je voor dit soort experimenten een team van machine-learning-specialisten nodig en een flink budget. Nu kun je met open tools en een paar honderd euro aan rekenkosten zelf een gespecialiseerd model trainen.

Ik zeg niet dat je dit morgen moet doen. Maar het feit dát het kan — en dat de drempel zo laag is geworden — vind ik een belangrijke verschuiving.

Wat zegt dit over de richting van AI?

Er zijn een paar dingen die ik hier uit opmaak.

Specialisatie wint van schaalgrootte

De afgelopen jaren draaide veel AI-nieuws om steeds grotere modellen. Meer parameters, meer data, meer rekenkracht. Dit project laat een tegenbeweging zien: een klein model dat via gerichte training op één taak verrassend goed wordt. Voor ondernemers is dat relevant, want het betekent dat je niet per se afhankelijk bent van de duurste API's van de grote aanbieders.

Reinforcement learning wordt toegankelijker

Reinforcement learning — het idee dat een model leert door beloning en straf in plaats van voorbeelden — was lang voorbehouden aan gespecialiseerde onderzoekslabs. Dat het nu met open-source tools en relatief bescheiden hardware lukt, is nieuw. Ik denk dat we de komende tijd meer van dit soort projecten gaan zien, ook op andere domeinen dan geografie.

De kosten van experimenteren dalen

Honderd dollar voor een getraind model dat commerciële alternatieven op een specifieke taak verslaat. Dat is geen bedrag dat een gemiddelde ondernemer tegenhoudt. Het echte obstakel is eerder de kennis om het te doen — maar ook die barrière wordt lager doordat alles open en gedocumenteerd is.

Wat betekent dit voor jou als ondernemer?

Laat ik eerlijk zijn: de meeste MKB-ondernemers gaan niet morgen een GeoGuesser-model trainen. Dat hoeft ook niet. Maar wat ik hier relevant vind, is het principe: je kunt met beperkte middelen een AI-model trainen dat op een specifieke taak beter presteert dan dure, generieke modellen.

Stel dat je als ondernemer een visuele taak hebt — het herkennen van producten, het classificeren van foto's, het beoordelen van schade op basis van beelden. De aanpak die hier wordt gedemonstreerd — een klein model, gericht getraind met reinforcement learning — zou op termijn ook voor dat soort toepassingen bruikbaar kunnen zijn.

Ik zou zelf willen weten: hoeveel van dit soort gespecialiseerde open-source modellen verschijnen er het komende jaar? En op welk moment wordt het zo laagdrempelig dat een techpartner van een MKB-bedrijf dit soort trajecten standaard kan aanbieden?

Voor mij is dit vooral een signaal dat de afstand tussen wat grote techbedrijven kunnen en wat beschikbaar is voor de rest van ons, kleiner wordt. En dat gaat sneller dan de meesten verwachten.