De huidige machtsbalans in open modellen

Ik ben onlangs uitgenodigd om een groep leden en medewerkers van het Amerikaanse Congres te informeren over de staat van open-weight modellen, bezien vanuit de competitie tussen de VS en China. Ik deel mijn voorbereide opmerkingen hier als een overzicht van de huidige stand van zaken rondom open modellen, zodat dit ook toegankelijk is voor een breder publieum.

Recap: Wat is het verschil tussen open-source, open-weight en gesloten modellen?

Open taalmodellen zijn AI-modellen waarvan de weights (gewichten) publiekelijk beschikbaar zijn voor inspectie of verder gebruik. Deze worden meestal afgezet tegen zogenaamde "gesloten" AI-modellen. Gesloten modellen bieden alleen toegang via Application Programming Interfaces (API's) waarmee ontwikkelaars direct een model kunnen bevragen (zoals GPT-4 of Claude Opus 4.5), of via consumentenproducten (zoals ChatGPT en Claude Code).

Open taalmodellen kunnen primair in twee categorieën worden onderverdeeld: open-weight en open-source modellen.

  • Open-weight modellen: Dit is de meest voorkomende vorm, met populaire voorbeelden zoals Meta's Llama, Alibaba's Qwen, Google's Gemma of de modellen van DeepSeek. Deze modellen vallen onder licenties die bepalen wat is toegestaan bij downstream gebruik en worden vaak vergezeld door inference code in bibliotheken zoals Transformers, VLLM, SGLANG, etc. Sinds ongeveer april 2025 zijn Chinese AI-bedrijven de duidelijke leider in open-weight modellen.
  • Open-source modellen: Deze lijken op open-weight modellen (inclusief gewichten, licenties en inference code), maar bevatten daarnaast alle informatie die nodig is om het model te reproduceren: de trainingscode en de trainingsdata. De meest prominente open-source modellen zijn gebouwd in de Verenigde Staten, recentelijk geleid door de Olmo-modellen van het Allen Institute for AI. Andere prominente open-source modellen zijn gebouwd door Amerikaanse non-profit organisaties, waaronder de Marin-modellen van OpenAthena en de Pythia-modellen van EleutherAI.

Open-weight, open-source en andere labels — inclusief gesloten modellen via een API — bevinden zich op een spectrum. Zo zijn de Nemotron-modellen van Nvidia veel opener dan de meeste open-weight modellen, omdat zij grote hoeveelheden trainingsdata onder permissieve licenties vrijgeven, maar ze zijn niet volledig open-source omdat niet álle data wordt vrijgegeven. Ook gesloten modellen bevinden zich op een spectrum, afhankelijk van welke informatie de API onthult en wat de gebruiksvoorwaarden zijn.

De competitie tussen Amerikaanse en Chinese open-weight modellen

We leven in een wereld waarin GLM-5.2 en Kimi K3, enkele van de nieuwste leidende Chinese modellen, een significante sprong hebben gemaakt in de commerciële levensvatbaarheid van open modellen. Ze zijn een drempel in agentic capabilities (het vermogen om autonoom taken uit te voeren) gepasseerd die Anthropic’s Claude Code in december 2025 overschreed.

Amerika was de vroege leider in open taalmodellen, voornamelijk door de Llama-modellen van Meta. Echter, Chinese open-weight modellen hebben de Amerikaanse varianten ongeveer 18 maanden geleden ingehaald op twee kerngebieden. Een eenvoudige metriek die dit aantoont is het aantal downloads op Hugging Face, waar China in juli 2025 de leiding nam, primair door het succes van de Qwen-modellen van Alibaba. Sinds de publicatie van het American Truly Open Models (ATOM) project in augustus 2025 is de downloadvoorsprong van China gegroeid naar ongeveer 1,6 miljard; met een totaal van 3,2 miljard downloads is dat twee keer zoveel als het Amerikaanse totaal.

Technische capaciteiten en benchmarks

Op populaire benchmarks, zoals de Artificial Analysis Intelligence Index (AAII), hebben Chinese open-weight modellen een duidelijke voorsprong. De top drie Chinese modellen (per 14 september 2026) zijn:

  • Z.ai’s GLM-5.3: score 45
  • Z.ai’s GLM-5.3-Flash: score 42
  • Moonshot AI’s Kimi K3: score 44

Ter vergelijking: de leidende Amerikaanse modellen zijn Thinking Machines’ Inkling en Inkling Small (beide score 26) en Nvidia’s Nemotron 3 Ultra (score 23). Hoewel de top Amerikaanse modellen in juni en juli 2026 zijn uitgebracht, worden ze minder frequent geüpdatet dan hun Chinese tegenhangers. Chinese labs brachten modellen uit die deze Amerikaanse scores al 2 tot 6 maanden eerder overtroffen (bijv. GLM-5 of DeepSeek V4 Pro). Er is een trend waarbij meer Amerikaanse bedrijven modellen uitbrengen (zoals Arcee AI, Poolside en IBM), maar zij dichten dit prestatieverschil niet snel genoeg.

De kloof met de 'frontier'

Samen lopen Chinese open-weight modellen ongeveer 2 tot 5 maanden achter op de gesloten Amerikaanse frontier (de absolute topmodellen). De Amerikaanse open-weight modellen lopen ongeveer 6 tot 9 maanden achter op partijen als OpenAI en Anthropic. Chinese labs komen het dichtst bij de frontier in taken met een duidelijke gebruikersvraag, zoals agentic coding, en lopen verder achter op open-ended wetenschappelijke taken, zoals natuurkunde of biologie.

De redenen waarom Chinese labs zulke sterke modellen kunnen produceren met minder middelen dan hun Amerikaanse tegenhangers zijn onderwerp van debat. Factoren zijn onder andere:

  • Werkcultuur: Verschillen in aanpak en tempo.
  • Release-strategie: Chinese labs brengen modellen sneller uit en focussen op een iets nauwere distributie van taken, wat hun scores op publieke benchmarks flatteert.
  • Distillatie: Het trainen van een model op de output van een sterker model. Hoewel dit een standaardtechniek is, schat ik dat als distillatie volledig zou worden voorkomen (bijv. via KYC-tools bij Anthropic en OpenAI), de kloof tussen de sterkste Amerikaanse modellen en Chinese open-weight modellen slechts met 1 tot 2 maanden zou toenemen.

Daarnaast veranderen Chinese labs in 2026 hun houding ten opzichte van het betalen voor trainingsdata. Waar ze eerder het jaar in de voorkeur gaven aan eigen datastromen, zijn ze in de zomer begonnen met het inkopen van cutting-edge data — zoals uitdagende RL-omgevingen voor agentische taken — van zowel Amerikaanse bedrijven als nieuwe Chinese startups.

Risico's en regelgeving

Met de vooruitgang van Chinese open-weight modellen richting de frontier, en de groeiende risico's op het gebied van cybersecurity (zoals het OpenAI-HuggingFace incident), ontstaat er regelgevende onzekerheid over hoe voortdurende releases een veilig ecosysteem kunnen ondersteunen.

Een structurele uitdaging is dat er weinig effectieve methoden zijn om te voorkomen dat open software in handen van kwaadwillenden terechtkomt. Indien men zou proberen de toegang tot de sterkste Chinese open-weight modellen te beperken vanwege risico's, zouden vooral Amerikaanse bedrijven worden geschaad. Een voorbeeld hiervan is dat HuggingFace een Chinees open-weight model gebruikte om een cyberaanval te begrijpen, omdat gesloten modellen weigerden op hun verzoeken in te gaan.

Het beheer van de risico's van open-weight modellen komt daarom neer op de voorbereiding van het ecosysteem. De beste weg om deze risico's en de onbalans — waarbij Amerikaanse bedrijven afhankelijk zijn van modellen gebouwd in China — voor te zijn, is door te blijven investeren in open modellen in de VS.

De staat van adoptie van open modellen

In 2026 is de economische levensvatbaarheid van open-weight taalmodellen substantieel gegroeid. Een goede indicatie hiervan is het gebruik op OpenRouter, een platform dat een interface biedt om te schakelen tussen open en gesloten modellen. Het volume aan verwerkte tokens vanuit open modellen op dit platform groeide van ongeveer 1 biljoen tokens per week in september 2025 naar ongeveer 80 biljoen tokens per week nu. In die periode is het marktaandeel van Chinese modellen gegroeid van ongeveer 70% naar ruim 80%. Andere platforms, zoals de open-source coding agent OpenCode, tonen een nog hoger volume aan Chinese modellen (95% of meer).

Zakelijke en academische adoptie

Veel prominente technologiebedrijven en startups bouwen hun AI-functies op Chinese open-weight modellen. Voorbeelden zijn:

  • Harvey (juridische agent)
  • Cursor (coding agent)
  • DoorDash (gebruikt Kimi-modellen)
  • Airbnb (gebruikt Qwen)
  • Perplexity (gebruikt DeepSeek)

Veel jonge Silicon Valley-startups kiezen voor Chinese modellen vanwege de lage kosten en flexibiliteit. Er is een groeiende trend waarbij Amerikaanse bedrijven enterprisoverdragen aangaan met Chinese model-labs om deze modellen in hun producten te mogen gebruiken.

Ook in de academische wereld is de basis verschoven. Het merendeel van het academische onderzoek wordt inmiddels uitgevoerd op de Qwen-familie van Alibaba. Een scan van arXiv-papers in de vijf populairste ML-categorieën bevestigt dit:

  • In mei 2023 noemde ongeveer 5,5% van de papers Llama en 1% een Chinees model.
  • In het najaar van 2024 noemde 23% Llama en 7,5% Qwen.
  • Tegenwoordig wordt Llama nog in 21% van de papers genoemd, maar Qwen is gestegen naar 30%. In totaal worden Chinese open-weight modellen in meer dan 40% van de papers genoemd, tegenover 30% voor de VS.

Er zijn echter tekenen van hoop. Amerikaanse modellen met vergelijkbare capaciteit-tot-grootte verhoudingen worden disproportioneel snel geadopteerd wanneer ze beschikbaar komen. Zo is OpenAI’s eerste open-weight model, gpt-oss, een van de meest geadopteerde open-weight modellen ooit geworden. Ook Google’s Gemma 4-modellen tonen adoptiecijfers die vergelijkbaar zijn met de populairste kleine modellen van Qwen.

Samenvatting

De kern van het verhaal over open modellen in 2026 is het bereiken van economische relevantie. Dit kan als volgt worden samengevat:

  1. Kloof in capaciteiten: Het verschil tussen open en gesloten modellen is de afgelopen drie jaar afgenomen (geschat op een gat van 2 tot 5 maanden). Hierdoor hebben open-weight modellen in 2026 substantiële markten ontsloten.
  2. Explosieve groei: Het gebruik van open modellen explodeert in sectoren met hoge waarde (software engineering, juridische en financiële diensten). Platforms zoals Together, OpenRouter, Fireworks en Baseten groeien hard.
  3. Chinese dominantie: Chinese AI-bedrijven zijn de onbetwiste leiders in open-weight modellen. Ondanks investeringen in de VS produceren Chinese labs consistent sterkere modellen die geliefd zijn bij gebruikers.
  4. Rol van distillatie: Hoewel distillatie (het trainen op output van sterkere modellen) wijdverbreid is in China, verklaart dit niet het volledige succes. Het verkleint de prestatiekloof ten opzichte van de Amerikaanse frontier naar schatting met slechts 1 tot 2 maanden.
  5. Academische basis: De Qwen-familie is een fundament geworden voor R&D in de academische wereld. Het aandeel van Chinese modellen in AI-papers (38%) is nu hoger dan dat van de VS (28%).
  6. Nieuwe risico's: Open-weight modellen bereiken een niveau waarbij risico's op het gebied van cybersecurity reëel worden. Dit vraagt om een respons op ecosysteem-niveau. Tegelijkertijd vertrouwen veel onderzoekers op open modellen omdat gesloten modellen (zoals Claude en GPT) vaak weigeren mee te werken aan kritisch defensief cybersecurity-werk of biologisch onderzoek.

Conclusies

In 2026 behouden de Chinese labs hun status als leider van het open-weight AI-ecosysteem. Dit gebeurt op een moment dat open-weight modellen een kantelpunt in economische levensvatbaarheid hebben gepasseerd.

Open modellen zullen het substraat vormen voor iedereen buiten de weinige echte frontier AI-labs om een versnelling in software engineering en computationele praktijken te realiseren. Dit vertegenwoordigt een aanzienlijke bron van soft power en invloed voor de organisaties die deze brede toegang tot transformatieve intelligentie mogelijk maken.

We moeten bescheiden blijven over het exacte pad dat open modellen zullen volgen. Gezien de brede verspreiding van ML-expertise is het geen kwestie van of, maar wanneer open modellen de prestatiedrempels overschrijden die nieuwe workflows mogelijk maken. De collectieve aanpak moet gericht zijn op het begrijpen hoe we deze breed toegankelijke, open intelligentie voor het goede kunnen gebruiken, terwijl we potentiële schade proactief beperken.