De grote AI-labs vertellen steeds minder over hoe ze hun modellen trainen. Nathan Lambert wil dat omdraaien. Op 1 oktober lanceerde hij met Tom Zick de non-profit Trillium Labs, met als missie “fostering the open science of frontier AI” (Bron: Trillium Labs). Het lab belooft niet alleen te publiceren wat werkt, maar ook wat mislukt (Bron: Trillium Labs).
Wie erachter zit
Lambert is in de AI-wereld geen onbekende. Van oktober 2023 tot juni 2026 werkte hij bij het Allen Institute for AI (Ai2) in Seattle, waar hij het werk aan de open modellen Tülu en Olmo leidde en de benchmark RewardBench bouwde (Bron: Interconnects). Bij zijn vertrek in juni schreef hij op zijn blog Interconnects waarom hij wegging:
“It’s clear that fully-open post training recipes are about as far behind as they ever have been & falling further behind. I’d like to fix this.”
— Nathan Lambert, Farewell Ai2, 2 juni 2026
Trillium Labs is de uitwerking van die zin. De aankondiging is ondertekend door Lambert en medeoprichter Tom Zick (Bron: Trillium Labs).
Wat het lab gaat doen
De focus ligt op post-training: de fase waarin een taalmodel na de eerste grote trainingsronde leert instructies te volgen, te redeneren en zich te gedragen, onder meer via RLHF. Volgens de oprichters is dat precies waar de geheimhouding het grootst is: “as post-training has become more important to reasoning and agentic capabilities, access to complete recipes is scarce” (Bron: Trillium Labs).
Beginner-tip Een recept is hier letterlijk de hele kookinstructie van een model: welke data erin ging, welke code draaide, hoe de tussenresultaten werden getoetst. Bij een open-weights-model krijg je alleen het eindgerecht. Bij een volledig open recept kun je het zelf nakoken.
Trillium Labs wil “fully open post-training recipes” bouwen, “including the data, code, evaluations, and intermediate checkpoints”. Daarnaast belooft het lab gecontroleerde experimenten te doen, mislukte runs te documenteren en te onderzoeken hoe een trainingsingreep het gedrag van een model verandert (Bron: Trillium Labs).
| Wat | Gesloten lab (gangbaar) | Trillium Labs (belofte) |
|---|---|---|
| Modelgewichten | soms, als open-weights | ja |
| Trainingsdata | nee | ja |
| Code en evaluaties | beperkt | ja |
| Tussentijdse checkpoints | nee | ja |
| Mislukte runs | nee | ja |
Bron: aankondiging Trillium Labs; de linkerkolom is onze samenvatting van de gangbare praktijk.
Waarom een non-profit
Het argument van de oprichters is dat open wetenschap en commerciële druk slecht samengaan. In de aankondiging verwijzen ze naar de miljardenbelangen rond de beursgangen van AI-labs, en schrijven ze dat “a handful of closed research programs cannot provide the diversity of questions, methods, and perspectives that a technology this consequential needs” (Bron: Trillium Labs). Hoeveel er op het spel staat bij zo’n beursgang lees je in onze analyse van de Anthropic-prospectus.
Als non-profit hoeft het lab geen intellectueel eigendom te beschermen. Dat maakt het volgens de oprichters mogelijk om ook resultaten te publiceren die hun eigen aannames onderuithalen (Bron: Trillium Labs).
Gevorderden De belofte om tussentijdse checkpoints en mislukte runs te delen is het interessantste deel. Daarmee kunnen buitenstaanders nagaan op welk moment in de training een bepaald gedrag ontstaat, iets wat bij een kant-en-klaar open-weights-model niet kan.
Wie betaalt
De eerste steun komt van Halcyon Futures en Schmidt Sciences (Bron: Trillium Labs). Schmidt Sciences is de wetenschapsstichting van oud-Google-topman Eric Schmidt en Wendy Schmidt (Bron: Wikipedia). Bedragen staan niet in de aankondiging. Het lab zegt verder geld op te halen bij “a diverse coalition” en zoekt daarnaast personeel en rekenkracht.
Dat laatste is de grootste vraag. Post-training op het niveau van de nieuwste modellen kost veel GPU-uren, en een non-profit heeft daar minder toegang toe dan een lab met een cloudpartner. Hoe groot de achterstand van open modellen nu is, zie je in ons overzicht van open-source AI in 2026.
Wat jij ervan merkt
Op korte termijn niets: Trillium Labs heeft nog geen model of recept uitgebracht. Op langere termijn gaat het om controleerbaarheid. Het gedrag van chatbots als ChatGPT en Claude ontstaat grotendeels in post-training, en nu kunnen alleen de makers zelf precies nagaan hoe. Open recepten geven onafhankelijke onderzoekers, en ook toezichthouders, een manier om dat te toetsen.
Het debat over hoe open AI mag zijn loopt intussen door, ook bij de grote labs zelf. Lees daarvoor hoe Anthropic tegen open-weight-modellen aankijkt.