Open AI-modellen delen nu ook hun trainingslogboeken

TL;DR

• Wat: Een groep open AI-modellen is uitgebracht mét volledige trainingslogboeken, trainingscode, datavoorbereiding en evaluaties — iets dat zelden gebeurt.
• Waarom relevant: Hoe transparanter AI-modellen zijn, hoe beter jij als ondernemer kunt inschatten of een model betrouwbaar en geschikt is voor jouw bedrijfsprocessen.
• Wat je ermee kunt: Bij de keuze voor een AI-oplossing kun je voortaan vragen: welke trainingsdata en -methoden zitten erachter?

Ik viel over een bericht van Santiago Valdarrama — beter bekend als @svpino op X — die opmerkte dat er voor het eerst open modellen verschijnen met wat hij "checkpoint-level logs" noemt. Dat klinkt technisch, maar wat het betekent is verrassend relevant voor iedereen die AI wil inzetten in een bedrijf. Ik leg uit waarom.

Wat is er precies gedeeld?

De meeste AI-modellen die als "open" worden aangemerkt, zijn dat maar gedeeltelijk. Je krijgt de modelgewichten — zeg maar het eindresultaat — maar niet de weg ernaartoe. Vergelijk het met een recept: je krijgt het gerecht geserveerd, maar je weet niet welke ingrediënten erin zitten, in welke verhoudingen, en hoe lang het in de oven heeft gestaan.

Wat Valdarrama opvalt, is dat er nu modellen verschijnen waarbij je wél het volledige recept krijgt:

• Trainingscode — de software waarmee het model is getraind
• Datavoorbereiding — hoe de trainingsdata is schoongemaakt en klaargemaakt
• Evaluaties — de tests waarmee het model is beoordeeld
• Checkpoint-logs — tussentijdse snapshots van het model tijdens het trainingsproces

Die laatste categorie is bijzonder. Checkpoint-logs zijn als foto's van een gebouw in aanbouw: je kunt precies zien wanneer er iets misging, wanneer het model een sprong maakte, en hoe het zich ontwikkelde. Dat niveau van openheid was tot nu toe uitzonderlijk.

Het specifieke project dat Valdarrama in zijn tweet bespreekt, wordt niet met naam genoemd in de tweet zelf. Wel zijn er de afgelopen jaren organisaties geweest die deze aanpak pionierswerk hebben gemaakt, met name het Allen Institute for AI (AI2) met hun OLMo-modellen en het LLM360-project.

Waarom dit verschil maakt: open gewichten versus écht open

Er is een belangrijk onderscheid dat als ondernemer goed is om te kennen. De AI-wereld gebruikt het woord "open" op verschillende manieren:

Open gewichten

Je mag het model gebruiken en aanpassen, maar je weet niet hoe het is gemaakt. Dit is wat de meeste grote open modellen bieden — denk aan veel releases van Meta, Alibaba en Mistral.

Volledig open

Je krijgt het model, de trainingsdata, de code, de tussentijdse checkpoints en de evaluaties. Je kunt het model in theorie helemaal opnieuw nabouwen. AI2's OLMo-familie deelde bijvoorbeeld meer dan 500 tussentijdse checkpoints, het volledige Dolma-trainingscorpus van ruim 9 biljoen tokens, en alle tools voor dataverwerking.

Het LLM360-project ging een vergelijkbare richting op met hun K2-model van 65 miljard parameters: 140 tussentijdse checkpoints, Weights & Biases-trainingslogboeken, evaluatielogboeken en systeemlogboeken — alles openbaar.

Wat mij hier opvalt, is dat dit geen academische nieuwsgierigheid is. Het heeft directe gevolgen voor de betrouwbaarheid van AI-toepassingen.

Wat betekent dit voor jou als ondernemer?

Ik denk dat de meeste MKB-ondernemers niet zelf een AI-model gaan trainen. Dat hoeft ook niet. Maar het niveau van transparantie van een model zegt wél iets over hoe serieus je het kunt nemen.

Stel dat je als ondernemer overweegt om een AI-model in te zetten voor klantenservice, productbeschrijvingen of interne analyses. Dan wil je kunnen vertrouwen op dat model. En vertrouwen begint bij controleerbaarheid.

Een paar concrete vragen die je kunt stellen aan je AI-leverancier of aan het team dat een model voor je implementeert:

• Op welke data is dit model getraind? Als niemand dat kan vertellen, is dat een signaal.
• Zijn er bekende zwaktes of biases? Evaluatierapporten kunnen daar inzicht in geven.
• Kan ik zien hoe het model presteert op taken die lijken op de mijne? Openbare benchmarks helpen, maar specifieke evaluaties zijn beter.

De trend naar meer transparantie maakt het makkelijker om deze vragen beantwoord te krijgen — maar dan moet je ze wel stellen.

De bredere verschuiving: van black box naar glazen huis

Wat mij fascineert aan deze ontwikkeling is dat het een cultuurverandering weerspiegelt in de AI-wereld. Lang was het normaal om alleen het eindproduct te delen. De trainingsdata? Bedrijfsgeheim. De code? Concurrentievoordeel. De logboeken? Niet interessant voor de buitenwereld.

Die houding verandert. Niet overal, en niet bij alle partijen, maar de beweging is zichtbaar. Het Model Openness Framework — een wetenschappelijk kader dat beschrijft hoe open een model werkelijk is — maakt onderscheid tussen meer dan tien niveaus van openheid, van volledig gesloten tot volledig reproduceerbaar.

Voor de Nederlandse markt is dit relevant omdat de Europese AI Act transparantie-eisen stelt aan bepaalde categorieën AI-systemen. Hoe opener een model is, hoe eenvoudiger het wordt om aan die eisen te voldoen. Ik denk dat dit op termijn een concurrentievoordeel wordt voor bedrijven die kiezen voor transparante modellen.

Kanttekeningen

Ik wil eerlijk zijn: volledige openheid is geen wondermiddel. Er zijn legitieme zorgen over het delen van trainingsdata — denk aan auteursrecht en privacy. En het feit dat trainingscode openbaar is, betekent niet automatisch dat iedereen er iets mee kan. Je hebt nog steeds flinke rekenkracht nodig om een groot model te trainen.

Bovendien is niet bij elk project duidelijk of de gedeelde logs compleet zijn. Het is mogelijk dat er selectief wordt gedeeld. Kritische verificatie blijft belangrijk.

Waar het op neerkomt

Voor mij is dit vooral een signaal dat de definitie van "open" in AI langzaam verschuift naar iets dat die naam ook echt verdient. Checkpoint-logs, trainingscode en evaluaties delen — dat is niet zomaar een technisch detail. Het is een statement over verantwoordelijkheid en controleerbaarheid. En als ondernemer die steeds vaker met AI-tools werkt, vind ik dat een ontwikkeling om in de gaten te houden.