# Parameters en gewichten: wat zit er in een AI-model? | Leren [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/parameters-en-gewichten)[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/)[Appsapps.llmnet.nlReviews van AI-apps en open-source repo's, met tips voor wie zelf bouwt.](https://apps.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten&text=Parameters%20en%20gewichten%3A%20wat%20zit%20er%20in%20een%20AI-model%3F)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten)[](https://www.reddit.com/submit?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten&title=Parameters%20en%20gewichten%3A%20wat%20zit%20er%20in%20een%20AI-model%3F)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten&text=Parameters%20en%20gewichten%3A%20wat%20zit%20er%20in%20een%20AI-model%3F)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten)[](https://www.reddit.com/submit?url=https%3A%2F%2Fleren.llmnet.nl%2Fparameters-en-gewichten&title=Parameters%20en%20gewichten%3A%20wat%20zit%20er%20in%20een%20AI-model%3F)[](#)Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · Laatst bijgewerkt: 27 juli 2026 [LLMnet Hub](https://hub.llmnet.nl/) > [Leren](https://leren.llmnet.nl/) > Parameters en gewichten # Parameters en gewichten: wat zit er in een AI-model? Module uit het Cursus- & Educatieplatform | Leestijd: ca. 5 minuten Als we praten over moderne kunstmatige intelligentie en grote taalmodellen (LLM's), vallen termen als parameters en gewichten continu. Maar wat betekenen deze begrippen concreet onder de motorkap van een AI-model? Eenvoudig gezegd zijn parameters de instelbare knoppen of variabelen van een neuraal netwerk. Je kunt ze beschouwen als de geheugenplaatsen waarin het model patronen opslaat die het tijdens de leerfase heeft ontdekt. De gewichten (weights) vormen de numerieke waarden van die parameters; zij bepalen hoe sterk de invloed is van het ene knooppunt (neuron) op het andere. ## De analogie: Een gigantisch mengpaneel Stel je een enorm audio-mengpaneel voor in een geluidsstudio, met niet tien maar miljoenen of miljarden schuifregelaars (faders). Elke schuifregelaar staat voor een gewicht. Wanneer je muziek produceert, zet je al deze schuiven zo dat het eindresultaat precies goed klinkt. Bij AI werkt het net zo. Elk stukje invoer (een woord, een zin of een pixel) reist door dit digitale netwerk van knooppunten. Bij elke stap wordt de data vermenigvuldigd met het specifieke gewicht van die parameter. Staat een gewicht heel hoog, dan weegt dat signaal zwaar mee in de uiteindelijke beslissing of voorspelling van het model. ## Training versus Inferentie Het is cruciaal om onderscheid te maken tussen de twee fasen waarin deze gewichten een rol spelen: - Training: Dit is de fase waarin het model wordt gevormd. Gigantische hoeveelheden data worden door het netwerk gestuurd. Na elke poging berekent het model de foutmarge en worden de gewichten millimeter voor millimeter bijgesteld via optimalisatiealgoritmen (zoals backpropagation). Dit kost enorm veel rekenkracht. - Inferentie (Inference): Dit is de gebruiksfase. De gewichten zijn nu bevroren en veranderen niet meer. Het model gebruikt de opgeslagen kennis om op basis van nieuwe invoer direct een antwoord of voorspelling te genereren. ## Waarom doen aantallen ertoe? Het aantal parameters geeft doorgaans de capaciteit van een model aan. Modellen met meer parameters hebben meer 'ruimte' om subtiele nuances, grammatica, feiten en complexe redeneerlijnen op te slaan. Toch is meer niet altijd beter: slimme architectuur, datakwaliteit en efficiëntie zijn minstens zo belangrijk als brute modelgrootte. Belangrijk inzicht: Parameters zijn geen 'feitjes' die ergens als tekst zijn opgeslagen, maar wiskundige waarden die samen gedrag en patronen vertegenwoordigen. ### Praktische Oefening Om te controleren of je de begrippen scherp hebt: - Bedenk waarom een model met een biljoen parameters meer computergeheugen (RAM/VRAM) vereist tijdens het laden dan een model met acht miljard parameters. - Leg in je eigen woorden uit waarom de gewichten tijdens de inferentiefase niet meer mogen veranderen. © 2026 LLMnet.nl — Alle rechten voorbehouden. Bekijk ook de [LLMnet Hub](https://hub.llmnet.nl/) voor een overzicht van al de diensten en subdomeinen.