# Nederlandse en Europese open modellen lokaal draaien

[Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien&text=Nederlandse%20en%20Europese%20open%20modellen%20lokaal%20draaien)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien)[](https://www.reddit.com/submit?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien&title=Nederlandse%20en%20Europese%20open%20modellen%20lokaal%20draaien)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien&text=Nederlandse%20en%20Europese%20open%20modellen%20lokaal%20draaien)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien)[](https://www.reddit.com/submit?url=https%3A%2F%2Fgids.llmnet.nl%2Fnederlandse-en-europese-open-modellen-lokaal-draaien&title=Nederlandse%20en%20Europese%20open%20modellen%20lokaal%20draaien)[](#)

 
# Nederlandse en Europese open modellen lokaal draaien

 Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · Laatst bijgewerkt: 7 augustus 2026

De lokale NL LLM-gids behandelt hoe je modellen kiest en downloadt, maar niet welke open modellen Nederlandse of Europese achtergrond hebben en of ze de moeite waard zijn. Deze gids vult dat gat: wat er bestaat, hoe je beoordeelt of een model echt goed Nederlands spreekt en hoe je zo'n model lokaal draait; gecontroleerd op 2026-08-07.

Binnen de leercanon van deze gids volgt de verwerking van taalmodellen een vaste route: kiezen, installeren, gebruiken, koppelen en beheren of serveren. Dit artikel bevindt zich direct in de fase van het kiezen van modellen. Je leest dit artikel idealiter nadat je de algemene selectiecriteria hebt doorgenomen. Raadpleeg [de algemene keuzestappen voor een lokaal model](https://gids.llmnet.nl/lokaal-model-kiezen) als je eerst wilt bepalen welke algemene criteria zoals licentietype en contextvenster op jouw situatie van toepassing zijn. Pas wanneer je weet aan welke randvoorwaarden jouw beoogde model moet voldoen, maak je de specifieke afweging tussen internationale, Europese en puur Nederlandstalige open modellen. Nadat je hier een keuze maakt, vervolg je de route naar het daadwerkelijk binnenhalen en instellen van het modelbestand op je eigen hardware. Lees het artikel over [hoe je modellen lokaal haalt en beheert](https://gids.llmnet.nl/modellen-downloaden-en-beheren) om de exacte stappen te volgen voor het opslaan en bijwerken van modelbestanden op je harde schijf.

## Hardware-ondergrens en werkgeheugen

De voorbeelden in dit artikel gaan uit van een lokaal systeem met minimaal 16 GB gecombineerd werkgeheugen (RAM/VRAM) voor modellen tot 8 miljard parameters (8B) in een 4-bit gekwantiseerde uitvoering (Q4), en minimaal 32 GB werkgeheugen voor modellen van 13 tot 14 miljard parameters (13B-14B). Voor grotere modellen van 30B tot 70B is 64 GB tot 128 GB geheugen vereist om redelijke generatiesnelheden te behalen. Raadpleeg het overzicht van [wat je machine moet aankunnen](https://gids.llmnet.nl/hardware-voor-lokale-llm) om te controleren welke videokaarten en processorarchitecturen geschikt zijn voor langdurige belasting.

Het verlagen van de precisie van een model maakt het mogelijk om grotere architecturen op consumentenhardware te draaien zonder dat de geheugenvereisten evenredig meestijgen. Zie het artikel over [de afweging achter kleinere kwantisaties](https://gids.llmnet.nl/kwantisatie-uitgelegd) om te begrijpen welk precisieverlies optreedt als je overstapt van Q8 naar Q4.

## Het landschap van Nederlandse en Europese open modellen

Wanneer we kijken naar modellen die relevant zijn voor de Nederlandse taal, moeten we een helder onderscheid maken tussen de geografische herkomst van de ontwikkelaar, de taalverdeling in de trainingsdata en het type modelarchitectuur. Een model dat in Europa is ontwikkeld is niet automatisch beter in de Nederlandse taal dan een Amerikaans of Aziatisch model met een grote meertalige dataset. Omgekeerd is een specifiek voor het Nederlands ontwikkeld model vaak beperkter in zijn algemene redeneervermogen vanwege een kleiner aantal parameters.

### Nederlandstalige modellen: generatief versus classificatie

In het Nederlandse taaldomein bestaan verschillende initiatieven die zich richten op het verwerken van de Nederlandse taal. Hierbij moet direct onderscheid worden gemaakt tussen generatieve modellen (autoregressieve taalmodellen die tekst genereren) en encodermodellen (geschikt voor tekstclassificatie, entiteitsherkenning en zoektoepassingen).

 
- Generatieve Nederlandse modellen (zoals GPT-NL en community-fine-tunes als GEITje): Dit zijn taalmodellen die specifiek zijn getraind of gefinetuned op Nederlandstalige corpora. Modellen in deze categorie, waaronder varianten die voortbouwen op Llama- of Mistral-architecturen met extra Nederlandse instructiedata, proberen een natuurlijke Nederlandse zinsbouw te hanteren. Ze variëren in omvang van ongeveer 7 tot 13 miljard parameters. De beschikbaarheid wisselt sterk per initiatief: GPT-NL (een initiatief van TNO, SURF en NFI, in 2026 klaar voor gebruik) wordt onder een gecontroleerde licentie aangeboden en richt zich op overheid en compliance, terwijl de oorspronkelijke GEITje-gewichten in 2024 op verzoek van Stichting BREIN zijn teruggetrokken en sommige afgeleide varianten nog via Hugging Face of Ollama verkrijgbaar zijn.
 
- Nederlandse encodermodellen (BERTje, RobBERT): Dit zijn geen generatieve AI-modellen die verhalen of antwoorden schrijven, maar gespecialiseerde BERT-architecturen die zijn getraind op miljarden Nederlandse woorden. Ze hebben doorgaans een omvang van 110 tot 355 miljoen parameters. Ze werken uitstekend voor taken zoals sentimentanalyse, categorisatie en zoekindexering, maar kunnen niet worden gebruikt als chat-assistent.

### Europese open modellen met meertalige ondersteuning

Op Europees niveau richten diverse consortia en bedrijven zich op het bouwen van open modellen met open gewichten (open weights). De mate waarin het Nederlands daarin is vertegenwoordigd verschilt sterk per project.

 
- Mistral (Frankrijk): Mistral AI levert meertalige modellen met open gewichten in klassen van 7B, 8x7B (Mixtral Mixture-of-Experts) en groter. Hoewel het zwaartepunt van de trainingsdata op het Engels en Frans ligt, bevat het trainingscorpus aanzienlijke hoeveelheden West-Europese talen, waaronder Nederlands. Modellen in de Mixtral-reeks vertonen vaak een verrassend goede beheersing van de Nederlandse grammatica door hun omvang en capaciteit.
 
- EuroLLM (Europees consortium): EuroLLM is een initiatief dat specifiek is opgezet om meertalige Europese modellen te trainen waarin alle officiële talen van de Europese Unie evenredig vertegenwoordigd zijn. De focus ligt hierbij op het voorkomen van culturele en taalkundige dominantie van één specifieke taal.
 
- Falcon (Verenigde Arabische Emiraten): Falcon is ontwikkeld door het Technology Innovation Institute (TII) in Abu Dhabi. Het is formeel geen Europees model, maar wordt vaak in één adem genoemd omdat het een open-gewichtenmodel is dat onder een vrije licentie beschikbaar werd gesteld. Falcon-modellen hebben in de praktijk een sterk wisselende beheersing van de Nederlandse taal, afhankelijk van het specifieke versienummer en de gekozen kwantisatie.

Het onderstaande overzicht vat de karakteristieken van de belangrijkste open modelfamilies samen. De vermelde parameteromvang geeft de orde van grootte aan; exacte prestaties variëren per specifieke release en kwantisatiegraad.

 
 
 Modelfamilie | 
 Herkomst | 
 Orde van grootte (Parameters) | 
 Primair gebruik | 
 Nederlandstalige dekking | 
 

 
 
 
 GEITje / NL-fine-tunes | 
 Nederland / community | 
 7B - 13B | 
 Generatief / Instructies | 
 Specifiek getraind op Nederlandse tekst en instructies | 
 

 
 BERTje / RobBERT | 
 Nederland (RUG / KU Leuven) | 
 110M - 355M | 
 Encoder / Classificatie | 
 Uitsluitend Nederlands (geen generatieve chat) | 
 

 
 Mistral / Mixtral | 
 Frankrijk (EU) | 
 7B - 8x22B | 
 Generatief / Meertalig | 
 Onderdeel van een brede meertalige trainingsset | 
 

 
 EuroLLM | 
 EU Consortium | 
 1B - 9B | 
 Generatief / EU-talen | 
 Gebalanceerd getraind op alle officiële EU-talen | 
 

 
 Falcon | 
 VAE (Non-EU, open weights) | 
 7B - 180B | 
 Generatief / Engels-georiënteerd | 
 Beperkt tot matig; voornamelijk Engels en Arabisch | 
 

 

Deze gids geeft geen garantiescores of absolute cijfers voor taalbeheersing. Modellen ontwikkelen zich snel en praktijkprestaties hangen af van de systeemcontext en de gebruikte prompts. Zie het overzicht van [welke benchmarks Nederlandse modellen testen](https://benchmark.llmnet.nl/benchmarks-voor-nederlandstalige-modellen) als je gestandaardiseerde vergelijkingsdatasets wilt inzien. Als je zelf metingen wilt uitvoeren op je eigen hardware, lees dan de handleiding over [hoe je zelf op Nederlandse invoer test](https://benchmark.llmnet.nl/nederlands-testen) om een gestructureerde testset op te stellen voor jouw specifieke toepassingen.

## De centrale afweging: "Nederlands" versus "getraind op Nederlands"

Een veelvoorkomende denkfout bij het selecteren van een lokaal model is de aanname dat een model uit Nederland of Europa automatisch de beste keuze is voor Nederlandse tekstverwerking. In de praktijk spelen twee tegengestelde factoren een rol: de hoeveelheid taalspecifieke trainingsdata versus de totale redeneerkracht van de modelarchitectuur.

Grote internationale en Europese modellen (zoals Mistral 8x7B of Llama-3-8B) zijn getraind op honderden miljarden of zelfs biljoenen tokens. Hoewel het percentage Nederlands in die datasets vaak onder de 2 procent ligt, is het absolute aantal Nederlandse woorden nog steeds gigantisch. Dankzij de enorme capaciteit van het netwerk kan zo'n model ingewikkelde verbanden leggen, feitelijke vragen beantwoorden en logisch redeneren in het Nederlands, ook al sluipt er incidenteel een Engelse zinsstructuur of leenwoord in.

Een puur Nederlands model dat op een kleiner basismodel is gefinetuned met enkele gigabytes aan Nederlandse tekst, spreekt vaak idiomatischer Nederlands en vermijdt Engelse leenwoorden. Echter, doordat de totale hoeveelheid trainingsdata en de parameteromvang kleiner zijn, kan het algemene redeneervermogen, de programmeerkennis of het vermogen om complexe instructies op te volgen achterblijven bij de grotere meertalige modellen.

Raadpleeg de hub over hoe [modelkeuze hangt af van de taak](https://hub.llmnet.nl/model-per-taak) om per toepassing te zien of een generatief model of een geaggregeerd classificatiemodel geschikter is. Voor simpele classificatie of entiteitsherkenning in Nederlandse juridische documenten is een klein encodermodel zoals RobBERT vaak sneller en nauwkeuriger dan een generatief chatmodel. Voor het samenvatten van lange teksten of het schrijven van Nederlandse e-mails werkt een groter meertalig generatief model weer beter.

## Lokaal draaien in de praktijk: software-routes

Wanneer je een Nederlands of Europees open model hebt geselecteerd, kun je dit via verschillende lokaal draaiende software-stacks laden. De drie meest gangbare methoden zijn Ollama, LM Studio en llama.cpp. Aangezien dit een keuzegids is en geen installatiehandleiding, houden we de beschrijving beknopt.

### 1. Ollama (Command-line & achtergronddienst)

Ollama is geschikt als je een lichtgewicht achtergronddienst zoekt met een REST-API. Veel populaire Europese modellen staan direct in de officiële Ollama-bibliotheek. Je haalt en start een model met één enkel commando in de terminal.

ollama run mistral

Als een specifiek Nederlands fine-tune-model niet in de centrale bibliotheek staat, kun je een GGUF-bestand van Hugging Face downloaden en een eigen Modelfile aanmaken waarin je naar dat bestand verwijst.

### 2. LM Studio (Grafische interface)

LM Studio biedt een visuele interface met een ingebouwde zoekfunctie die rechtstreeks communiceert met Hugging Face. Dit is handig om verschillende gekwantiseerde versies (Q4, Q5, Q8) van Nederlandse of Europese modellen te zoeken, te downloaden en te testen in een chat-venster zonder de terminal te gebruiken.

### 3. llama.cpp (Directe C/C++-runtime)

llama.cpp vormt de technische basis onder het merendeel van de lokale AI-tools. Het biedt de hoogste mate van controle over geheugentoewijzing, GPU-offloading en contextvensterinstellingen. Je gebruikt llama.cpp als je modellen wilt integreren in geautomatiseerde scripts of als je maximale prestaties uit specifieke hardware-architecturen wilt persen.

Herinnering voor de vervolgstappen: lees het artikel over [hoe je modellen lokaal haalt en beheert](https://gids.llmnet.nl/modellen-downloaden-en-beheren) om de exacte stappen te volgen voor het opslaan en bijwerken van modelbestanden op je harde schijf.

## In de praktijk: Nederlandse kwaliteit en instructies testen

Om te bepalen of een gekozen model voldoende kwaliteit levert voor jouw specifieke toepassing, moet je het model onderwerpen aan een gestructureerde test op Nederlandse invoer. Vertrouw niet op de herkomst van het model of op algemene Engelse benchmarks; voer zelf een reeks representatieve opdrachten uit.

### Opzet van een Nederlandse kwaliteitstest

Stel een vaste lijst op met minstens drie typen opdrachten:

 
- Informatie-extractie en samenvatten: Voer een Nederlandstalig artikel in (bijvoorbeeld een juridische of technische tekst) en vraag om een samenvatting in drie duidelijke opsommingspunten.
 
- Instructies volgen met randvoorwaarden: Vraag het model om een e-mail te schrijven naar een klant waarin een vertraging wordt uitgelegd. Geef expliciete randvoorwaarden mee, zoals "gebruik de u-vorm", "maximaal 150 woorden" en "noem geen specifieke data".
 
- Vertaal- en herformuleertest: Laat het model een Engelse vakkundige tekst vertalen naar natuurlijk Nederlands, of laat een rommelige Nederlandse notitie herschrijven tot een formele alinea.

### Aandachtspunten bij het beoordelen van de respons

Let bij het evalueren van de gegenereerde Nederlandse tekst op de volgende specifieke aspecten:

 
- Grammatica en werkwoordsvervoegingen: Maakt het model fouten in d/t-uitgangen of gebiedende wijs? Grotere modellen presteren hier over het algemeen stabieler dan zeer kleine fine-tunes.
 
- Woordvolgorde in bijzinnen: Een veelvoorkomend probleem bij modellen die primair op Engelse data zijn getraind, is dat ze de Engelse zinsbouw kopiëren naar het Nederlands. Dit leidt tot onnatuurlijke werkwoordposities aan het einde van een zin.
 
- Vakkundig jargon en neologismen: Controleer hoe het model omgaat met specifieke Nederlandse termen (bijvoorbeeld fiscale of technische begrippen). Gebruikt het model een correct Nederlands woord of een slechte letterlijke vertaling uit het Engels?
 
- Diakritische tekens en leestekens: Worden accenten en trema's (zoals in 'geëvalueerd' of 'patiënt') correct weergegeven, of raken de karakters beschadigd door verkeerde tokenisatie?

Bekijk de handleiding over [hoe je Nederlandse output verbetert](https://gids.llmnet.nl/beter-nederlands) om te ontdekken met welke specifieke promptingtechnieken je grammatica en stijl in de responsen kunt aanscherpen. Tevens raden we aan om het artikel over [hoe je zelf op Nederlandse invoer test](https://benchmark.llmnet.nl/nederlands-testen) te raadplegen om een gestructureerde testset op te stellen voor jouw specifieke toepassingen.

## Europese soevereiniteit, datalocatie en privacy

De keuze voor Europese modellen of het puur lokaal draaien van open modellen wordt vaak gedreven door strategische en juridische motieven. Hoewel de technische prestaties van het model doorslaggevend moeten zijn voor de functionaliteit, spelen randvoorwaarden rondom gegevensbescherming een steeds grotere rol.

### Datalocatie en open gewichten

Het belangrijkste voordeel van het lokaal draaien van een open-gewichtenmodel op eigen hardware is dat er geen gegevens over het netwerk worden verzonden naar externe cloudleveranciers. De verwerking vindt volledig plaats binnen de fysieke of virtuele grenzen van jouw eigen infrastructuur. Lees de toelichting over [het privacy-motief van lokaal draaiende modellen](https://gids.llmnet.nl/privacyvriendelijk-ai) als je wilt weten hoe je gegevensverwerking afschermt van externe servers.

Het is hierbij essentieel om een onderscheid te maken tussen "open gewichten" en "gratis hosting". Een model met open gewichten (zoals Mistral 7B) geeft je het recht om het modelbestand te downloaden en zelf uit te voeren. Dit betekent echter niet dat de ontwikkelaar jou gratis rekenkracht biedt. Zodra je gebruikmaakt van de commerciële API-diensten van Europese AI-bedrijven, draait het model weer op hun servers en gelden de gebruikelijke voorwaarden voor gegevensverwerking en verwerkersovereenkomsten.

### Het Europese AI-ecosysteem

In Europees verband wordt veel geïnvesteerd in het opbouwen van een onafhankelijke AI-infrastructuur om de afhankelijkheid van niet-Europese technologiegiganten te verkleinen. Bekijk de achtergrondanalyse over [de bredere context van Europese modellen](https://nieuws.llmnet.nl/ai-en-soevereiniteit-in-europa) voor beleidsmatige en strategische ontwikkelingen rondom data-autonomie.

Naast modelontwikkelaars ontstaat er in Nederland en de rest van Europa een netwerk van gespecialiseerde dienstverleners die ondersteuning bieden bij de implementatie van lokale AI-systemen. Raadpleeg de bedrijvengids met [Nederlandse spelers en aanbieders](https://directory.llmnet.nl/nederlandse-ai-bedrijven) als je commerciële ondersteuning of lokaal gehoste enterprise-oplossingen zoekt.

## Operationele kosten en stroomverbruik

Hoewel open modellen vrij zijn van licentiekosten per token, brengt het lokaal serveren van middelgrote tot grote modellen (13B tot 70B) directe operationele kosten met zich mee. Dit geldt in het bijzonder wanneer een werkstation of server continu ingeschakeld blijft om verzoeken af te handelen.

Een krachtig lokaal systeem met een of meerdere grafische kaarten vraagt onder piekbelasting al snel 300 tot 600 watt aan elektrisch vermogen. Bij een continu stroomverbruik loopt dit op tot honderden kilowattuur per jaar. Bekijk de berekening van [de kosten van een continu draaiende machine](https://gids.llmnet.nl/stroomverbruik-lokale-ai) om het energieverbruik van GPU-belasting in te schatten. Daarnaast spelen aanschafafschrijving en de benodigde koelcapaciteit een rol bij de totale eigendomskosten van een lokale AI-infrastructuur. Controleer vooraf via [wat je machine moet aankunnen](https://gids.llmnet.nl/hardware-voor-lokale-llm) of jouw huidige hardwaretoestel geschikt is voor langdurige belasting.

## Kritische kanttekeningen en zwakke punten

Bij het selecteren van Nederlandse en Europese open modellen moet je rekening houden met een aantal reële beperkingen en zwaktes ten opzichte van de grote internationale standaarden:

 
- Kleiner ecosysteem en dunnere documentatie: Specifiek Nederlandse fine-tune-projecten worden vaak onderhouden door kleine teams of individuele ontwikkelaars. De documentatie kan beperkt zijn, update-frequenties liggen lager en ondersteuning vanuit de community is minder uitgebreid dan bij wereldwijde opensourceprojecten.
 
- Beperktere contextvensters: Oudere of specifieke Nederlandse fine-tunes zijn soms gebaseerd op basisarchitecturen met een beperkt contextvenster (bijvoorbeeld 2048 of 4096 tokens). Voor het verwerken van grote documentenverzamelingen schieten deze modellen tekort vergeleken met modernere basismodellen met contextvensters van 32k tot 128k tokens.
 
- Wisselende kwaliteit van Nederlandse trainingsdatasets: Sommige Nederlandse modellen zijn ontstaan door een bestaand Engels model te finetunen op automatisch vertaalde Engelse datasets (machine-translated data). Dit kan leiden tot subtiele vertaalfouten, onnatuurlijke uitdrukkingen en foutief gebruik van vakjargon in de output.
 
- Geografische herkomst is geen kwaliteitsgarantie: Een model dat is ontwikkeld binnen de Europese Unie levert niet automatisch betere Nederlandse antwoorden op dan een internationaal model met een extreem grote dataset. Testen op jouw specifieke workloads blijft de enige betrouwbare methode om kwaliteit vast te stellen.

## Samenvattende keuzeroute

Het kiezen van het juiste open model voor Nederlandstalige toepassingen volgt een heldere beslisboom op basis van jouw specifieke eisen:

 
- Heb je een taak die uitsluitend bestaat uit tekstclassificatie of entiteitsherkenning? Kies een dedicated Nederlands encodermodel zoals RobBERT of BERTje. Dit levert de hoogste snelheid op met de laagste hardware-eisen.
 
- Heb je een generatieve taak waarbij correcte Nederlandse stijl en vormvereisten cruciaal zijn? Test een specifiek Nederlandstalig fine-tune-model op een basis van 7B tot 13B parameters.
 
- Heb je een complexe taak die diep redeneervermogen, codeer-kennis of het volgen van ingewikkelde instructies vereist? Kies een groter Europees of internationaal meertalig model (zoals Mistral 8x7B of Llama-3-8B) en stuur de Nederlandse taalstijl bij via gerichte prompting.

De markt voor open AI-modellen ontwikkelt zich in een hoog tempo. Nieuwe modelversies, verbeterde kwantisatietechnieken en gewijzigde licentievoorwaarden volgen elkaar snel op. Zie de informatie en adviezen in dit artikel dan ook expliciet als een momentopname; gecontroleerd op 2026-08-07.

llmnet.nl - praktische gids voor lokale taalmodellen