Wat verbergt een modelnaam?

A35B is het deel dat het werk doet

In Qwen3-Coder-480B-A35B-Instruct staat A35B voor 35 miljard actieve parameters. Het model heeft in totaal 480 miljard parameters, de aangeleerde getallen waaruit het bestaat, en dat is de 480B vlak voor de A. Het leest en schrijft tekst in tokens, kleine woordstukjes, en bij elk token zijn maar 35B van die parameters aan het werk. Beide getallen staan op de model card van Qwen.

De A staat er omdat het model een mixture of experts (MoE) is. Het bestaat uit veel kleine onderdelen, waarvan er per token maar een paar aan het werk gaan. De twee getallen kosten u elk iets anders. Het totaal bepaalt hoeveel geheugen het model nodig heeft, want alle onderdelen moeten geladen en klaar staan. Het aantal actieve parameters bepaalt hoeveel werk elk token kost, en daarmee de snelheid en de kosten van het draaien. Zo hoeft DeepSeek-V4.1-Flash, een model van 552B, bij elk token dat het leest maar 8B in te zetten.

Vijf families van AI-modellen komen steeds terug in presentaties van leveranciers: Qwen, DeepSeek, Gemini, GPT en Claude. Qwen en DeepSeek publiceren hun modelbestanden en groottes, Qwen in de naam zelf en DeepSeek op de model card. Claude, GPT en Gemini maken helemaal geen groottes bekend, dus hun namen volgen andere regels.

Hoe leest u een modelnaam?

Knip de Qwen-naam bij de streepjes in stukken en u houdt vijf delen over, die elk een andere vraag beantwoorden.

Qwen3 staat voor de familie en de generatie, Coder voor de specialisatie, want dit model is gebouwd voor code. Dan volgen de twee groottes, 480B in totaal en A35B actief. Instruct aan het eind zegt hoe het model is afgestemd, hier op het opvolgen van instructies. Qwen laat weten dat dit model alleen draait in wat het non-thinking mode noemt, dus het antwoordt zonder eerst over het probleem na te denken.

Groottes houden niet op bij miljarden. Qwen3.8-2.4T-A95B telt 2,4 biljoen parameters (de T staat voor biljoen, dus 2.400 miljard) en gebruikt er 95B van per token.

Een naam zonder A-deel verdient een tweede blik. Qwen3.6-27B heeft er geen omdat het een dense model is, dat bij elk token alle 27B parameters gebruikt. Ook gpt-oss-120b, het model met open weights van OpenAI, heeft geen A-deel, en toch is het een mixture of experts met 117B in totaal en 5.1B actief. Zelfs de 120 in de naam is een afgerond getal naast de 117B op de model card. Laat de naam iets weg, lees dan de model card.

Een label als FP8 of BF16 geeft de precisie aan: met hoeveel bits elke parameter is opgeslagen. Bij BF16 zijn dat 16 bits (2 bytes), bij FP8 8 bits (1 byte). Qwen3.6-27B-FP8 is Qwen3.6-27B in 8 bits opgeslagen, dus het heeft minder geheugen nodig en toch nog alle 27B parameters.

Een getal aan het eind kan ook een datum zijn. DeepSeek bracht V4.1-Flash uit op 10 september 2026 en op 17 oktober een update met dezelfde architectuur, die naar de maand en de dag V4.1-Flash-1017 heet. Woorden als Flash, Lite, Pro en Mini zijn weer een ander verhaal, want elke maker bepaalt zelf wat ze betekenen.

Waarom doet 552B het werk van 8B?

In een MoE-model zit het grootste deel van de parameters in veel kleine netwerken, de experts. Voor elk token kiest een router er een paar uit, en alleen die zijn actief terwijl de rest in het geheugen wacht. Wat die actieve experts berekenen, gaat door het model verder naar het antwoord.

DeepSeek-V4.1-Flash heeft 384 gerouteerde experts. De router kiest er voor elk token 6 uit, en één gedeelde expert doet altijd mee. Volgens DeepSeek zijn dat 8B actieve parameters bij het lezen van uw invoer en 16B bij het schrijven van het antwoord, op een totaal van 552B. Qwen3.6-35B-A3B werkt op dezelfde manier, maar kleiner: 8 van de 256 experts plus één gedeelde expert per token, goed voor 3B van de 35B.

Zet u zes modellen naast elkaar, dan blijft bij elke MoE het actieve deel onder de 9% van het totaal. DeepSeek-V4.1-Flash leest met 8B van 552B, ongeveer 1,4%, het kleinste aandeel in de afbeelding. Qwen3.8-2.4T-A95B en gpt-oss-120b zitten dicht bij elkaar met 95B van 2.4T (4,0%) en 5.1B van 117B (4,4%). Qwen3-Coder-480B-A35B-Instruct draait op 35B van 480B (7,3%) en Qwen3.6-35B-A3B op 3B van 35B (8,6%). Alleen het dense Qwen3.6-27B gebruikt alles, 27B van 27B.

Met het geheugen ligt het anders. De router kan voor het volgende token elke expert kiezen, dus alle experts moeten geladen blijven. Om te schatten hoeveel geheugen de gewichten (de parameters zelf) innemen, vermenigvuldigt u het totaal aantal parameters met het aantal bytes per parameter. Dat is ongeveer 2 GB per miljard parameters bij BF16, 1 GB bij FP8 en 0,5 GB bij 4 bits. Daar komt nog geheugen bij voor de context en de software die het model draait.

Neem de twee Qwen3.6-modellen. Qwen3.6-35B-A3B in BF16 heeft voor de gewichten ongeveer 70 GB nodig (35 × 2), terwijl er per token maar 3B actief zijn. Qwen3.6-27B-FP8 komt uit op ongeveer 27 GB (27 × 1) en gebruikt bij elk token alle 27B. Een deel van dat verschil komt door de precisie. Slaat u beide op dezelfde manier op, dan blijft het MoE-model het grotere, 35B tegenover 27B, terwijl het per token nog steeds minder werk doet. Daardoor kan het snel antwoorden.

Wat betekenen Flash, Sonnet en Luna?

Claude, GPT en Gemini zijn API-only. U gebruikt ze via de dienst van de maker en de modelbestanden krijgt u nooit. In hun namen zit een generatienummer en een woord dat de tier aangeeft, het grootte- of snelheidsniveau binnen één familie. Waar een tier voor dient, vertelt alleen de maker zelf in de eigen omschrijving.

De tabel geeft per maker de eigen omschrijving, ontleend aan het overzicht van Claude-modellen van Anthropic, de modelpagina van OpenAI en de Gemini-modelpagina van Google. Namen en getallen in dit artikel zijn zoals de makers ze op 21 oktober 2026 publiceerden, en deze families worden vaak bijgewerkt. Ook prijzen veranderen vaak. Elke maker publiceert ze op de eigen prijspagina.

Anthropic vergelijkt de vier Claude-modellen ook onderling op snelheid: Fable is langzamer, Opus gemiddeld, Sonnet snel en Haiku het snelst. Alle vier nemen tekst en afbeeldingen aan. Vergelijkt u Claude Opus met Sonnet, dan raadt Anthropic aan om voor de meeste toepassingen met Opus 5.5 te beginnen.

Het contextvenster, de hoeveelheid tekst die een model in één keer kan verwerken, is volgens de makers 1M tokens bij alle vier de Claude-modellen, Gemini 4 Argon en Gemini 3.8 Flash. OpenAI noemt 1,05M tokens voor zijn drie vlaggenschepen GPT-6 Astra, GPT-6.1 Sol en GPT-6 Luna. Op de Gemini 3.8-pagina van Google staat verder dat Gemini 3.8 Flash tot 64K tokens aan uitvoer schrijft en thinking levels heeft die u op low, medium of high kunt zetten.

OpenAI omschrijft GPT-6.1 Sol als bijna op Astra-niveau, hoewel GPT-6 Astra het lagere nummer draagt. Een hoger generatienummer betekent dus niet dat de tier hoger is.

Pas op met het woord Flash, want twee makers bedoelen er iets anders mee. De Flash van DeepSeek is een model van 552B met open weights, dat DeepSeek omschrijft als “het kleinste model in onze nieuwe architectuurfamilie, met native visueel begrip”. De Flash van Google is een snelle tier in een gesloten familie, en de grootte is niet gepubliceerd. Zegt een leverancier dat hij Flash draait, vraag dan van wie.

Welke modellen kunt u zelf draaien?

De Qwen-, DeepSeek- en gpt-oss-modellen in dit artikel hebben open weights. U kunt de modelbestanden dus downloaden en op uw eigen hardware draaien, onder de licentie die erbij hoort. Open weights betekenen niet altijd dat u het zelf host, want DeepSeek biedt V4.1-Flash ook aan via de eigen API, onder de naam deepseek-flash.

Begin bij de licentie. DeepSeek-V4.1-Flash valt onder MIT, en gpt-oss-120b en drie van de vier Qwen-modellen onder Apache 2.0. Het grootste Qwen-model in de tabel, Qwen3.8-2.4T-A95B, heeft een eigen Qwen3.8-Max license, dus zelfs binnen één familie kunnen andere voorwaarden gelden. Vergelijkt u Qwen en DeepSeek voor uw eigen servers, lees dan de licentie voordat iemand hardware bestelt.

Bepaal daarna met de geheugenschatting hoeveel hardware u nodig heeft. De bestanden die DeepSeek publiceert bevatten ook gewichten die in 8 bits (FP8) zijn opgeslagen, en bij 1 byte per parameter komt 552B uit op ongeveer 552 GB, alleen voor de gewichten. Dat vraagt een server met meerdere GPU's, voor een model dat per token met 8B tot 16B werkt. OpenAI slaat de gewichten van de experts van gpt-oss-120b op in een 4-bits formaat, MXFP4, en zegt dat het model daardoor “op een enkele GPU van 80 GB kan draaien”.

Ook de invoer en de antwoordstijl verschillen. DeepSeek-V4.1-Flash neemt tekst en afbeeldingen aan, terwijl Qwen3.8-2.4T-A95B alleen tekst aankan en een probleem altijd eerst uitwerkt voordat het antwoordt, in wat Qwen thinking mode noemt. Qwen3.6-35B-A3B doet dat standaard, en u kunt het omzetten naar direct antwoorden.

Welk model past bij welke taak?

In een klantenservice krijgt een model heel verschillende taken. Een live gesprek vraagt om een antwoord terwijl de beller nog aan de lijn is, en op de samenvatting van de gesprekken van gisteren wacht niemand. De tabel volgt de omschrijvingen van de makers zelf. Lees elke rij dus als een startpunt voor uw tests, niet als een ranglijst.

Het live gesprek stelt de hoogste eisen. Een beller hoort elke pauze, en het model is daar maar één bron van. In ons artikel over waar de wachttijd van een voice-agent vandaan komt splitsen we die pauze op in delen die u kunt meten.

Kies twee of drie kandidaten uit de rij die bij uw taak past en laat ze los op uw eigen opgenomen gesprekken, met uw productnamen, uw talen en de vragen die uw klanten echt stellen. Beoordeel elk model op de taak zelf, bijvoorbeeld of een samenvatting de terugbeltijd heeft vastgelegd die aan de beller was beloofd.

Vraag een leverancier bij de pitch welk model elke stap draait, van het live gesprek tot de routering en de samenvatting na het gesprek, en vraag om de volledige naam met generatienummer en tier. Duikt voor elke stap dezelfde naam op, dan is doorvragen de moeite waard. Wat u verder moet nagaan, vindt u in onze 30 vragen voor de aankoop van voice-AI.

Waar komt DRING in beeld?

De DRING-stack is modelonafhankelijk. De spraak- en redeneermodellen achter elke AI-agent worden gekozen op taal en workflow, en de providers voor spraakherkenning, taalmodel en spraaksynthese worden elk per agent geselecteerd uit toonaangevende leveranciers. Elk van die onderdelen is te wisselen zonder dat er iets opnieuw gebouwd hoeft te worden en zonder de rest van de stack aan te raken, zoals onze pagina over de modellaag uitlegt.

Een workflow kan ook naar een ander model worden geleid zonder over te stappen op een ander platform, en heeft een modelprovider een storing, dan kan het gesprek via failover naar een werkende provider overgaan. Onze pagina voor IT-directeuren loopt de vragen langs die een architectuurreview daarna stelt.

Een modelwissel wordt getest als een lancering. Elke DRING-agent doorloopt 1.000 tot 10.000 gesimuleerde gesprekken, gebouwd voor uw bedrijf, vóór het eerste echte gesprek. Een sterker model gaat pas live als het de regressieset doorstaat die de hele stack draait, en de resultaten worden vergeleken met de vorige release voordat er iets wordt uitgerold. Vertel ons bij welke stap van uw gesprekken u als eerste een AI-model wilt, dan belt DRING u binnen twee minuten.