- Large language models (LLM's) zijn AI-systemen die getraind zijn op enorme tekstverzamelingen om menselijke taal te begrijpen en te genereren. Ze maken taken mogelijk zoals samenvatten, redeneren en converseren.
- De belangrijkste LLM-aanbieders—waaronder OpenAI, Anthropic, Google DeepMind, Meta, DeepSeek, xAI en Mistral—specialiseren zich elk in verschillende sterke punten, zoals multimodaliteit, redeneren, openheid of geschiktheid voor bedrijven.
- De beste LLM's voor gesprekken (zoals GPT-4o en Claude Sonnet 4) blinken uit in het voeren van genuanceerde dialogen, het vasthouden van context en het schakelen van toon, terwijl op redeneren gerichte modellen zoals DeepSeek R1 en Gemini 2.5 Pro complexe meerstapstaken aanpakken.
Er verschijnt elke dag wel een nieuw AI-model op mijn X-feed. Knipper met je ogen en je hebt de volgende 'open weight, GPT-4o-niveau' release gemist.
Ik weet nog dat het uitkomen van LLaMA als een grote gebeurtenis voelde. Vicuna volgde. Daarna werd alles vaag. Hugging Face werd van de ene op de andere dag de AI-startpagina.
Als je hiermee bouwt, vraag je je al snel af — moet ik alles bijhouden? Of gewoon eentje kiezen die werkt en hopen dat die het blijft doen?
Ik heb de meeste modellen in echte producten geprobeerd. Sommige zijn geweldig voor chat. Andere vallen direct door de mand zodra je ze gebruikt in llm agents of toolchains.
Wat zijn large language models?
Large language models (LLM's) zijn AI-systemen die getraind zijn om menselijke taal te begrijpen en te genereren voor uiteenlopende taken.
Deze modellen zijn getraind op enorme hoeveelheden tekst — van boeken en websites tot code en gesprekken — zodat ze leren hoe taal in de praktijk werkt.
Je hebt ze aan het werk gezien als een AI-chatbot begrijpt wat je vraagt, zelfs na een vervolgvraag, omdat hij de context snapt.
LLM's zijn bedreven in taken als het samenvatten van documenten, beantwoorden van vragen, schrijven van code, vertalen tussen talen en het voeren van samenhangende gesprekken.
Door toenemend onderzoek naar concepten als chain of thought prompting is het nu ook mogelijk om LLM's in te zetten als AI agents.
Top 7 LLM-aanbieders
Voordat we de beste modellen bespreken, is het goed om te weten wie ze bouwen.
Elke aanbieder heeft een andere visie op modelontwerp — sommigen focussen op schaal, anderen op veiligheid of multimodaliteit, en weer anderen op open toegang.
Weten waar een model vandaan komt, geeft je een beter beeld van hoe het zich gedraagt en voor wie het bedoeld is.
OpenAI
OpenAI is het bedrijf achter ChatGPT en de GPT-serie. De meeste teams die nu met LLM's werken, gebruiken hun modellen direct of concurreren ermee.
OpenAI is zowel een onderzoeksinstituut als een commercieel platform, en biedt zijn modellen aan via API en productintegraties.
OpenAI richt zich op het bouwen van algemene GPT chatbot-modellen met brede mogelijkheden, zoals GPT-4o. Het bedrijf bepaalt nog steeds grotendeels het huidige landschap voor zowel commerciële als ontwikkelaarsgerichte AI.
Anthropic
Anthropic is een AI-bedrijf uit San Francisco, opgericht in 2021 door een groep voormalige OpenAI-onderzoekers, waaronder de broers en zussen Dario en Daniela Amodei.
Het team richt zich op het bouwen van taalmodellen die veilig, stuurbaar, interpreteerbaar en betrouwbaar zijn in langere gesprekken.
Hun Claude-familie staat bekend om sterke instructie-opvolging en contextbehoud, kwaliteiten die duidelijk naar voren komen in hoe de modellen omgaan met genuanceerde prompts en meerstapsgesprekken.
Google DeepMind
DeepMind is de AI-onderzoeksafdeling van Google, oorspronkelijk bekend van doorbraken in games en reinforcement learning.
Het is nu het team achter de Gemini-modellen, die veel van Google's AI-producten aandrijven.
Gemini-modellen zijn gebouwd voor multimodale redenering en taken met lange context, en zijn al geïntegreerd in hun ecosysteem zoals Search, YouTube, Drive en Android.
Meta
Meta is het bedrijf achter de LLaMA-modellen — enkele van de krachtigste open-weight LLM's van dit moment.
Hoewel toegang onder licentie staat, zijn de modellen volledig te downloaden en worden ze vaak gebruikt voor private implementaties en experimenten.
Meta richt zich op het uitbrengen van krachtige modellen die de bredere gemeenschap kan fine-tunen, hosten of inbouwen in systemen zonder afhankelijk te zijn van externe API's.
DeepSeek
DeepSeek is een Chinees AI-bedrijf dat snel bekendheid heeft verworven door het uitbrengen van concurrerende open-weight modellen met focus op redeneren en ophalen van informatie.
Hun modellen zijn populair bij ontwikkelaars die transparantie en controle willen over hoe hun systemen gebouwd en ingezet worden.
xAI
xAI is een AI-bedrijf dat als onafhankelijke R&D-groep nauw samenwerkt met X (voorheen Twitter).
Hun Grok-modellen zijn geïntegreerd in X-producten en combineren conversatievaardigheden met realtime data-toegang.
Mistral
Mistral is een AI-startup uit Parijs, bekend om het uitbrengen van krachtige, open-weight modellen.
Hun werk richt zich op efficiëntie en toegankelijkheid, met modellen die vaak lokaal of met lage latency worden ingezet.
De 10 beste Large Language Models
De meesten van ons kiezen geen modellen van een ranglijst – we kiezen wat goed voelt.
En 'beste' betekent niet het grootste model of de hoogste score op een test. Het betekent: Zou ik dit gebruiken om een agent aan te sturen, mijn codeprocessen te beheren, een klant te helpen of een belangrijke beslissing te nemen?
Ik heb modellen gekozen die:
- actief onderhouden worden en nu beschikbaar zijn
- getest worden in echte toepassingen
- echt ergens goed in zijn: gesprek, redeneren, snelheid, openheid of multimodale diepgang
Natuurlijk blijven er nieuwe modellen komen. Maar deze bewijzen zich nu al in de praktijk — en als je vandaag bouwt, zijn dit de modellen die je moet kennen.
Beste conversationele LLM's
De beste conversationele modellen houden context vast over meerdere beurten, passen zich aan jouw toon aan en blijven samenhangend, zelfs als het gesprek verandert of terugkomt op eerdere onderwerpen.
Om op deze lijst te komen, moet een model betrokken aanvoelen. Het moet rommelige formuleringen aankunnen, soepel herstellen van onderbrekingen en reageren alsof er echt geluisterd wordt.
1. GPT4o
Tags: Conversationele AI, Real-time spraak, Multimodale invoer, Gesloten bron
GPT-4o is het nieuwste vlaggenschipmodel van OpenAI, uitgebracht in mei 2024 — en het is een grote sprong voorwaarts in hoe LLM's realtime, multimodale interactie verwerken.
Het kan tekst, bestanden, afbeeldingen en audio als input verwerken, en in elk van die formaten antwoorden.
Ik gebruik GPT-4o's uitgebreide taalbegrip de laatste tijd om Frans te oefenen, en het is moeilijk te overtreffen.
De spraakreacties komen vrijwel direct (ongeveer 320ms) en nemen zelfs toon en stemming over op een manier die verrassend menselijk aanvoelt.
Het is niet alleen een van de meest gebruikte chatbots op internet, maar ook de favoriet van veel bedrijven vanwege de extra functies en tools binnen het OpenAI-ecosysteem.
2. Claude 4 Sonnet
Tags: Conversationele AI, Langetermijngeheugen, Enterprise-Ready, Closed-Source
Claude Sonnet 4 is het nieuwste conversationele AI-model van Anthropic, uitgebracht in mei 2025.
Het is ontworpen voor natuurlijke gesprekken die doordacht aanvoelen zonder snelheid te verliezen, en presteert vooral goed in zakelijke chatomgevingen.
Het houdt context goed vast over lange uitwisselingen, volgt instructies betrouwbaar op en past zich snel aan bij veranderingen in onderwerp of gebruikersintentie.
Vergeleken met eerdere versies zoals Claude 3.7, geeft Sonnet 4 meer gerichte antwoorden en heeft het beter controle over de hoeveelheid tekst, zonder samenhang te verliezen.
3. Grok 3 (xAI)
Tags: Conversationele AI, Real-Time Bewustzijn, Humor, Closed-Source
Grok 3 voelt als iemand die te lang online is geweest. Direct verbonden met X, hoeft het niet aan een internet-API te hangen om het nieuws bij te houden.
LLM-humor is meestal tragisch, maar Grok weet tenminste dat het grappen maakt. Soms slaat het aan. Soms loopt het uit de hand. Hoe dan ook, het blijft praten.
Het werkt het beste in drukke, reactieve omgevingen. Plekken zoals groepschats die uit elkaar vallen tijdens een productlancering of mediabots die scherpe opmerkingen maken bij live nieuws.
Soms zie je Grok — of zijn chaotische tweeling, “Gork” — opduiken in X-threads, waar het iemand helpt te bevestigen of de aarde rond is. Dus houd het in de gaten.
Beste LLMs voor redeneren
Sommige modellen zijn gebouwd voor snelheid. Deze zijn gemaakt om te denken. Ze volgen complexe instructies en blijven gefocust bij lange, gelaagde taken.
Dat betekent dat ze niet alleen antwoorden genereren, maar ook bijhouden wat er is gedaan, zich aanpassen op basis van resultaten en bewust de volgende stap plannen.
De meeste gebruiken redeneerkaders zoals ReAct en CoT, waardoor ze ideaal zijn voor het bouwen van AI-agenten en problemen die structuur boven snelheid vereisen.
4. OpenAI o3
Tags: Redenerende LLM, Chain-of-Thought, Agent-Ready, Closed-Source
OpenAI's o3 is een model gericht op redeneren, ontworpen voor complexe taken die gestructureerd denken vereisen.
Het blinkt uit in gebieden als wiskunde, programmeren en wetenschappelijke probleemoplossing, waarbij het chain-of-thought-technieken gebruikt die zijn doorgegeven vanuit OpenAI o1 om problemen op te splitsen in behapbare stappen.
OpenAI gebruikt deliberatieve afstemming om zijn acties beter te plannen. Het model controleert zijn eigen beslissingen aan de hand van een veiligheidsrichtlijn voordat het verdergaat.
Voor zover we hebben gezien, is het waarschijnlijk dat OpenAI het beste van beide zal combineren door het brein van o3 samen te voegen met de flexibiliteit van 4o in GPT-5.
5. Claude 4 Opus
Tags: Redenerende LLM, Langetermijngeheugen, Enterprise-Ready, Closed-Source
Claude 4 Opus is het vlaggenschipmodel van Anthropic — al is het merkbaar trager en duurder dan Sonnet.
Als het grootste model dat Anthropic tot nu toe heeft getraind, blijft het gefocust bij lange invoer en behoudt het de logica achter elke stap.
Het werkt goed met complexe documenten. Je kunt het een volledig rapport of procesdocument geven, en het loopt de details door met context en verwijzingen.
Dat is belangrijk voor enterprise-teams die AI-systemen bouwen die over grote werkruimtes kunnen redeneren.
6. Gemini 2.5 Pro
Tags: Redenerende LLM, Lange contexttaken, Planningsmogelijkheden, Gesloten bron
Gemini 2.5 Pro is het meest capabele model van DeepMind — als je het op de juiste manier gebruikt.
Binnen AI Studio met Deep Research ingeschakeld, geeft het volledige redeneerlijnen en licht het beslissingen toe met duidelijke logica.
Het redeneervermogen geeft het een voordeel bij meerstapsworkflows en agent-systemen.
Gemini 2.5 Pro komt het beste tot zijn recht als het de ruimte krijgt om te denken en toegang heeft tot hulpmiddelen. Dat maakt het een sterke keuze voor teams die gestructureerde, logica-bewuste toepassingen willen bouwen die schaalbaar moeten zijn.
7. DeepSeek R1
Tags: Redenerende LLM, Lange context, Onderzoeksgericht, Open Source
DeepSeek R1 kwam uit met open gewichten en presteerde beter dan Claude en o1 op belangrijke redeneerbenchmarks, wat voor paniek zorgde bij teams die richting gesloten releases werkten.
Het voordeel zat in de architectuur. R1 zet in op structuur door te focussen op schone tokenverwerking en een duidelijk idee van hoe aandacht moet opschalen bij langere gesprekken.
Als je agenten bouwt die logica moeten volgen en stappen moeten vasthouden, biedt R1 je de mogelijkheid om eenvoudig op je eigen voorwaarden en hardware prestaties op basisniveau te draaien, als enige open-source model onder de redeneermodellen.
Beste lichte LLM's
Hoe kleiner het model, hoe meer je de afwegingen merkt — maar als het goed gedaan is, voelt het niet klein aan.
De meeste kleine modellen zijn gedistilleerd uit grotere versies, getraind om net genoeg van de originele vaardigheden te behouden terwijl de omvang wordt verkleind.
Je draait ze op edge-apparaten, systemen met lage specificaties – zelfs op je laptop als het moet.
Je bent hier niet per se op zoek naar diepgaande redenering of lange gesprekken. Je wilt precisie en snelle output zonder een volledige cloudomgeving op te zetten.
8. Gemma 3 (4B)
Tags: Lichtgewicht LLM, Gebruik op apparaat, Open Source
Gemma 3 (4B) komt uit Google’s grotere Gemma-serie, teruggebracht tot vier miljard parameters zodat het draait op bescheiden hardware zonder cloudverbinding.
Het behoudt de discipline van het volgen van instructies van het hoofdmodel, maar reageert met de snelheid die je nodig hebt voor mobiele agenten of offline chatwidgets.
Gebruik het in een lokale workflow en het start snel op en blijft stabiel bij beperkte geheugencapaciteit.
9. Mistral Small 3.1
Tags: Lichtgewicht LLM, Gebruik op apparaat, Open Source
Mistral Small 3.1 bouwt voort op de eerdere Mistral Small-serie maar houdt het model licht genoeg om op een enkele consumenten-GPU te draaien en biedt toch een 128 k-token venster.
Het streamt ongeveer 150 tokens per seconde en verwerkt zowel tekst als eenvoudige afbeeldingsprompts, wat het een goede keuze maakt voor edge-chatlagen of ingebedde agenten.
10. Qwen 3 (4B)
Tags: Lichtgewicht LLM, Meertalig, Open Source
Qwen 3 4B verkleint Alibaba’s grotere Qwen-3-architectuur tot een vier-miljard-parameter model dat nog steeds meer dan 100 talen begrijpt en soepel integreert met tool-calling frameworks.
Het is open weight onder een Apache-achtige licentie, draait op een bescheiden GPU en is populair geworden voor agent-taken waarbij ontwikkelaars snelle redenering nodig hebben.
Hoe bouw je een agent met je favoriete LLM
Model gekozen? Mooi. Nu is het tijd om het in te zetten.
De beste manier om te weten of een LLM echt bij jouw toepassing past, is ermee bouwen — kijk hoe het omgaat met echte input en implementatiestromen.
Voor deze snelle build gebruiken we Botpress — een visuele builder voor AI-chatbots en agenten.
Stap 1: Bepaal het bereik en de rol van je agent
Voordat je het platform opent, moet je duidelijk hebben welke rol de bot moet vervullen.
Een goede aanpak is om te beginnen met een paar taken, te kijken naar de haalbaarheid en het gebruik, en daar vervolgens op voort te bouwen.
Klein beginnen met een FAQ-chatbot helpt je te begrijpen hoe je data wordt gebruikt en hoe gestructureerde parameters tussen LLMs of tools bewegen.
Stap 2: Maak een basisagent
.webp)
Open in Botpress Studio een nieuwe bot en schrijf duidelijke Instructies voor de agent.
Hiermee geef je de LLM aan hoe het zich moet gedragen en welke taak het moet uitvoeren. Een voorbeeld van een instructieset voor een marketingchatbot kan zijn:
“Je bent een marketingassistent voor [Bedrijf]. Help gebruikers meer te weten te komen over ons product, beantwoord veelgestelde vragen en moedig ze aan om een demo te boeken of zich aan te melden voor e-mailupdates. Wees beknopt, behulpzaam en proactief.”
Stap 3: Voeg belangrijke documenten en websites toe
Upload of schrijf informatie in de Kennisbank, zodat de chatbot bijvoorbeeld het volgende kan beantwoorden:
- Productvergelijkingen
- Prijsopbouw
- URL van de landingspagina
- Belangrijke CTA’s (demo, proefversie, contactformulieren)
Hoe beter de inhoud aansluit op je funnel, hoe beter de bot presteert.
Stap 4: Schakel over naar je favoriete LLM
.webp)
Zodra de algemene bot is opgezet, kun je nu de LLMs aanpassen die voor specifieke taken in de chatbot worden gebruikt.
Je kunt ertussen schakelen door naar Botinstellingen te gaan aan de linkerkant van het dashboard.
Scroll naar de LLM-opties, en hier kun je je favoriete LLM kiezen.
Botpress ondersteunt OpenAI, Anthropic, Google, Mistral, DeepSeek en anderen — zodat je prestaties en budget naar wens kunt balanceren.
Stap 5: Zet uit op het kanaal van jouw keuze
Na het kiezen van de perfecte LLM voor je AI-agent kun je de chatbot direct op verschillende platforms tegelijk inzetten.
De chatbot kan heel eenvoudig worden omgezet in een Whatsapp-chatbot of een Telegram-chatbot om gebruikers in elk domein te ondersteunen.
Zet vandaag nog een LLM-gestuurde agent in
Gebruik LLMs in je dagelijkse werk met aangepaste AI-agenten.
Met het grote aanbod aan chatbotplatforms is het eenvoudig om een AI-agent in te stellen die aan jouw specifieke behoeften voldoet. Botpress is een eindeloos uitbreidbaar AI-agentplatform.
Dankzij een vooraf gebouwde bibliotheek met integraties, workflows via slepen-en-neerzetten en uitgebreide handleidingen is het toegankelijk voor makers van elk niveau.
Koppel elke LLM om je AI-project voor elk toepassingsgebied te ondersteunen.
Begin vandaag nog met bouwen – het is gratis.
Veelgestelde vragen
1. Wat zijn de verschillen tussen gehoste en open-source LLM's, naast de infrastructuur?
Het verschil tussen gehoste en open-source LLM's gaat verder dan alleen infrastructuur: gehoste LLM's (zoals GPT-4o of Claude 3.5) zijn eenvoudig te gebruiken via API's, maar zijn gesloten en beperken de mogelijkheden tot aanpassing. Open-source LLM's (zoals LLaMA 3 of Mistral) geven volledige controle, wat ze ideaal maakt voor bedrijven die compliance of implementatie op locatie nodig hebben.
2. Kan ik gehoste LLM's zoals GPT-4o of Claude 3.5 finetunen met mijn eigen data?
Je kunt gehoste LLM's niet volledig fine-tunen met eigen gewichten, maar je kunt hun gedrag wel aanpassen met tools zoals systeemopdrachten, functie-aanroepen, embeddings en RAG (retrieval-augmented generation), waarmee je relevante kennis kunt toevoegen zonder het onderliggende model te wijzigen.
3. Hoe verhouden LLM's zich tot traditionele regelgebaseerde NLP-systemen?
LLM’s verschillen van traditionele regelgebaseerde NLP-systemen doordat ze antwoorden genereren op basis van statistische patronen uit grote datasets, waardoor ze flexibel zijn en goed omgaan met ambiguïteit. Regelgebaseerde systemen volgen strikte logica en werken niet goed bij onverwachte invoer.
4. Onthouden LLM's eerdere interacties, en hoe wordt dat geregeld?
Standaard zijn de meeste LLM's stateless (zonder geheugen) en onthouden ze eerdere gesprekken niet. Geheugen moet worden gesimuleerd door context toe te voegen (bijvoorbeeld door gespreksgeschiedenis in sessies op te slaan), al bieden sommige platforms zoals OpenAI nu native geheugenfuncties voor blijvende personalisatie.
5. Wat zijn de belangrijkste criteria bij het beoordelen van een LLM voor zakelijk gebruik?
Bij het beoordelen van een LLM voor zakelijk gebruik zijn nauwkeurigheid (hoe correct zijn de uitkomsten), latentie (hoe snel reageert het), kosten (vooral bij veelvuldig gebruik) en veiligheid (het vermogen om hallucinaties of schadelijke inhoud te vermijden) het belangrijkst. Andere overwegingen zijn meertalige ondersteuning en flexibiliteit in integratie.
