Open AI-modellen worden steeds sterker — wat dat betekent

TL;DR

• Wat: Open AI-modellen als GLM-5.3 en Xiaomi's MiMo-V2.6 presteren inmiddels op het niveau van gesloten topmodellen — ook op risicogebieden zoals cybersecurity.
• Waarom relevant: als ondernemer gebruik je steeds vaker AI-tools die op deze modellen draaien, en de balans tussen kracht en veiligheid verschuift snel.
• Wat je ermee kunt: inventariseer welke AI-tools in je bedrijf open modellen gebruiken en vraag je leverancier naar de beveiligingsmaatregelen.

Ik stuitte deze week op een overzicht van DeepLearning.AI — de nieuwsbrief van Andrew Ng — waarin een aantal AI-ontwikkelingen bij elkaar kwamen die ik apart al interessant vond, maar samen een duidelijk patroon vormen. Open modellen worden krachtiger, goedkoper en breder inzetbaar. Dat is goed nieuws, maar het roept ook vragen op.

GLM-5.3: bijna net zo goed in hacken als het beste gesloten model

Laat ik beginnen met het onderwerp dat mij het meest bezighield. Anthropic — het bedrijf achter Claude — publiceerde eind september een rapport over GLM-5.3, een open model van het Chinese bedrijf Zhipu. Op een test genaamd ExploitBench, waarbij AI-modellen worden uitgedaagd om werkende hacks te bouwen, scoorde GLM-5.3 bijna net zo hoog als Anthropics eigen topmodel Claude Mythos Preview: 50 geslaagde exploits op 410 pogingen, tegenover 56 bij Mythos. Dat is ruwweg 12% tegenover 14%.

Wat mij hier opvalt: dit is een open model. Dat betekent dat iedereen de gewichten kan downloaden en ermee aan de slag kan. Bij een gesloten model zoals Claude bepaalt het bedrijf welke verzoeken worden geweigerd. Bij een open model kun je die weigering in principe uitzetten.

En dat is precies wat onderzoekers deden. GLM-5.3 weigerde aanvankelijk 90% van de openlijk kwaadaardige verzoeken. Maar met simpele trucs — zoals beweren dat je een geautoriseerde beveiligingstester bent — daalde die weigering fors. Met een techniek die "abliteration" heet, waarbij je het weigergedrag uit het model sloopt, kwam de slagingskans op 100%.

Wat kostte zo'n aanval?

Dit vind ik eerlijk gezegd het meest confronterende detail: onderzoekers combineerden meerdere kwetsbaarheden tot een werkende aanval in twintig minuten mensenwerk en acht uur rekentijd. Kosten: ongeveer 20 dollar via Zhipu's eigen API. Stel je voor wat dat betekent als je een webshop runt of klantgegevens beheert — de drempel om een geavanceerde aanval op te zetten daalt stevig.

Ik wil hier wel bij zeggen: dit is geen reden tot paniek. Dit soort onderzoek wordt juist gepubliceerd om bewustzijn te creëren. Maar het laat wel zien dat "open" niet automatisch "veilig" betekent, en dat is iets om als ondernemer in je achterhoofd te houden wanneer je AI-tools selecteert.

Xiaomi's MiMo-V2.6: een telefoonfabrikant als AI-leider

Een heel ander verhaal, maar minstens zo opvallend. Xiaomi — ja, de smartphonemaker — bracht op 22 september MiMo-V2.6-Pro uit. Dit model staat nu bovenaan de Intelligence Index van Artificial Analysis, een onafhankelijke benchmark voor AI-modellen. Het scoort hoger dan gesloten modellen van onder andere xAI (Grok 4.6) en Google (Gemini 3.8 Flash).

Het model heeft ruim 1 biljoen parameters totaal, waarvan er 42 miljard per keer actief zijn — een zogeheten mixture-of-experts-architectuur. Vergelijk het met een bedrijf dat honderden specialisten in dienst heeft, maar per klantvraag alleen de relevante experts inzet. Dat maakt het efficiënt ondanks de enorme omvang.

Wat mij hier interesseert vanuit ondernemersperspectief: MiMo-V2.6 is uitgebracht onder een MIT-licentie. Dat betekent dat je het model gratis mag downloaden, aanpassen en commercieel gebruiken. Geen licentiekosten, geen afhankelijkheid van een API-provider. Voor bedrijven die met gevoelige data werken en niet willen dat die naar een externe server gaat, is dat een serieuze optie.

DeepSeek V4.1 Flash: snelheid voor een fractie van de prijs

DeepSeek lanceerde op 9 september V4.1 Flash, een model dat is geoptimaliseerd voor snelheid. Het draait op een nieuwe architectuur met 552 miljard parameters totaal en slechts 8 tot 16 miljard actieve parameters. De snelheid is indrukwekkend: 236 tokens per seconde en een eerste reactie binnen anderhalve seconde.

Maar het meest opvallende zijn de kosten. Gecachte input tokens kosten 0,003 dollar per miljoen. Ter vergelijking: dat is alsof je een heel boek laat analyseren voor minder dan een cent. Voor bedrijven die grote hoeveelheden tekst verwerken — denk aan klantenservice-logs, contractanalyse of productbeschrijvingen — maakt dat een wezenlijk verschil in wat haalbaar is.

Gemini 3.8 Live: spraak-AI die 97 talen spreekt

Google kondigde op 15 september Gemini 3.8 Live aan, een model dat is ontworpen voor realtime spraakgesprekken. Het kan audio, video, afbeeldingen en tekst verwerken en antwoordt in gesproken taal. Het detecteert en schakelt automatisch tussen 97 talen, midden in een gesprek.

De Extended Thinking-variant scoort 82,6 op de Speech to Speech Index — het hoogste dat Artificial Analysis tot nu toe heeft gemeten bij spraakmodellen. De kosten liggen op 3,50 dollar per uur audio-input, ruim 40% goedkoper dan OpenAI's GPT-Live-1.

Kun je je voorstellen wat dit betekent als je een bedrijf hebt met internationaal klantencontact? Een AI-assistent die naadloos schakelt tussen Nederlands, Duits en Engels in hetzelfde gesprek, zonder aparte systemen per taal.

AREX: de AI-agent die zichzelf verbetert

Tot slot AREX, ontwikkeld door het Beijing Academy of Artificial Intelligence. Dit is een onderzoeksagent die zichzelf recursief verbetert. Het systeem wisselt af tussen een binnenlus die bewijs verzamelt en een buitenlus die het eigen antwoord controleert — stap voor stap, beperking voor beperking.

ARex-Base is een model met 122 miljard parameters (10 miljard actief) dat hoog scoort op benchmarks voor diepgaand onderzoek. Het scoort volgens de onderzoekers 82,0 op WideSearch-en en 85,4 op GAIA.

Ik vind dit interessant omdat het een verschuiving laat zien: van modellen die één antwoord geven, naar systemen die hun eigen werk controleren en bijsturen. Dat is precies het soort betrouwbaarheid dat je nodig hebt voordat je AI serieus kunt inzetten voor taken waar fouten consequenties hebben.

Wat ik hieruit meeneem

Wat mij in dit totaalplaatje opvalt, is de snelheid waarmee open modellen het gat met gesloten modellen dichten — op vrijwel elk vlak. Prestaties, kosten, snelheid, en helaas ook op risicogebieden. Voor mij is dit vooral een signaal dat de keuze voor een AI-oplossing steeds minder gaat over "welk model is het beste" en steeds meer over "welk model past bij mijn situatie, mijn data en mijn risicoprofiel." Die afweging wordt elk kwartaal relevanter.