GPT in één minuut
GPT is geen abonnement en geen website. Het is een modelnaam op familieniveau. Een concrete versie heeft eigen mogelijkheden en beperkingen. De kwaliteit van een taak hangt daarnaast af van de opdracht, bronnen, ingestelde redeneerruimte en beschikbare gereedschappen. Een model wisselen lost een onjuiste bron of onduidelijke opdracht niet vanzelf op.
Waar staan de letters GPT voor?
Generative betekent dat het model uitvoer kan maken, zoals een antwoord, samenvatting of stuk code. Het resultaat wordt gegenereerd op basis van patronen en de context van de opdracht. Dat is iets anders dan uitsluitend een vooraf geschreven antwoord kiezen. Daarom kan dezelfde toepassing uiteenlopende soorten vragen behandelen, maar ook nieuwe fouten formuleren die niet letterlijk in een bron voorkomen.
Pre-trained verwijst naar de voorafgaande trainingsfase. Het model heeft vóór jouw vraag al veel patronen geleerd. Een gesprek met een gebruiker is gewoonlijk verwerking van nieuwe invoer, geen volledige hertraining van het model. Voor instructies volgen en andere eigenschappen kan daarna aanvullende training plaatsvinden. Het woord vooraf getraind betekent dus niet dat ontwikkeling na die eerste fase stopt.
Transformer verwijst naar de architectuurtraditie waarop GPT voortbouwt. Transformers gebruiken aandachtmechanismen om relaties in invoer te verwerken. De term geeft een nuttig technisch vertrekpunt, maar onthult niet alle details van een actuele commerciële uitvoering. Het is onjuist om alleen uit de naam een precies aantal parameters of een volledige interne opbouw af te leiden.
Hoe verhoudt GPT zich tot een LLM?
Een LLM, of large language model, is een brede categorie taalmodellen. GPT is een specifieke familie binnen het landschap van generatieve modellen. Er bestaan ook LLM's van andere organisaties. Niet ieder taalmodel is dus GPT, en niet iedere toepassing met AI gebruikt een OpenAI-model. Gebruik het woord GPT niet als algemene merkloze naam voor iedere chatbot.
Veel moderne modellen verwerken naast tekst ook beelden. Daardoor wordt de beschrijving uitsluitend taalmodel soms te beperkt voor hun volledige inzet. Toch blijft het nuttig om taalverwerking, visuele invoer en gereedschappen afzonderlijk te bekijken. Een model kan een afbeelding analyseren zonder zelf pixels te genereren. Een product kan vervolgens een aparte beeldgenerator inschakelen.
Voor een gebruiker is vooral de concrete combinatie van belang. Een assistent met een geschikt model maar zonder toegang tot een PDF kan de inhoud daarvan niet controleren. Andersom kan een eenvoudigere taak, zoals het ordenen van duidelijk benoemde velden, weinig baat hebben bij een zwaarder model. De taak bepaalt welke capaciteit werkelijk nodig is.
Training en gebruik zijn verschillende processen
Tijdens training veranderen modelparameters. Tijdens gebruik, ook inferentie genoemd, wordt een opdracht verwerkt met een reeds getraind model. De instructies en meegestuurde gegevens beïnvloeden het antwoord, maar veranderen niet vanzelf blijvend alle modelgewichten. Ook een bestand uploaden betekent niet dat je daarmee een eigen GPT-generatie traint.
Een voorbeeld maakt het verschil zichtbaar. Je levert een nieuwe prijslijst aan en vraagt om drie productbeschrijvingen. Het systeem kan die prijslijst in de huidige taak gebruiken. Dat geeft het geen algemene, blijvende kennis van iedere toekomstige prijswijziging. Bij een volgende taak moet de actuele informatie weer beschikbaar zijn via context, geheugen of een gegevensverbinding.
Bij RAG haalt een toepassing relevante informatie op en geeft die mee aan het model. Dat is een manier om een antwoord op bronnen te baseren. Training en ophalen lossen verschillende problemen op. Wil je weten welke artikelen vandaag beschikbaar zijn, dan is toegang tot de actuele voorraad belangrijker dan een model dat ooit veel algemene productteksten heeft gezien.
De oorspronkelijke ChatGPT-aankondiging beschreef aanvullende training met menselijke feedback. Dat is een historisch voorbeeld van het verbeteren van gewenst gedrag. Het is geen volledige beschrijving van alle hedendaagse GPT-modellen. Voor specifieke trainingsclaims zijn de technische publicaties van het betreffende model nodig.
Generaties en blijvende familienamen
Een generatieaanduiding en een familienaam geven verschillende informatie. In GPT-6.1 Sol is 6.1 de versieaanduiding en Sol de naam die de positie binnen het aanbod helpt benoemen. Dezelfde familienaam kan in meerdere generaties terugkomen. Daarom behandelen we de ontwikkeling op een blijvende woordenboekpagina in plaats van voor ieder versienummer een nieuw artikel te maken.
De gecontroleerde situatie op 7 oktober 2026 omvat GPT-6 Luna, GPT-6.1 Sol en GPT-6 Astra in het actuele API-overzicht. GPT-5.6 Terra is nog gedocumenteerd en blijft volgens de gebruikersdocumentatie beschikbaar tijdens de uitrol. Deze namen vormen dus geen reeks van vier modellen uit één identieke generatie. Vooral bij vergelijken is die nuance belangrijk.
Een nieuw model kan in de API, Work en Codex op verschillende momenten verschijnen. Ook het gewone Chat-gedeelte van ChatGPT hoeft niet dezelfde keuzelijst te tonen. Noteer daarom bij een vergelijking het volledige model, het product en de datum. Alleen opschrijven dat je GPT hebt getest is onvoldoende om een resultaat later te begrijpen.
Luna, Terra, Sol en Astra vergelijken
| Familie | Gedocumenteerde versie | Positie en aandachtspunt |
|---|---|---|
| Luna | GPT-6 Luna | Gerichte, herhaalbare taken en grote aantallen. GPT-5.6 Luna blijft tijdens de overgang relevant. |
| Terra | GPT-5.6 Terra | Balans tussen capaciteit en kosten binnen GPT-5.6; nog beschikbaar, geen bevestigde GPT-6 Terra in de geraadpleegde bronnen. |
| Sol | GPT-6.1 Sol | Complex programmeer- en professioneel werk met lagere standaard API-tarieven dan Astra. |
| Astra | GPT-6 Astra | De positie voor het zwaarste redeneerwerk en opdrachten met meerdere stappen. |
Model versus reasoning effort
Het model kiezen en de redeneerruimte instellen zijn twee aparte beslissingen. Reasoning effort regelt hoeveel ruimte een ondersteund model krijgt om een probleem te verwerken. Het maakt een Sol-model niet ineens tot Astra. Een hogere instelling kan meer tijd en gebruik kosten; zij is geen garantie dat de conclusie correct wordt.
Denk aan een overzichtelijke vertaling tegenover het onderzoeken van tegenstrijdige documenten. Bij de vertaling kan een beperkte instelling voldoende zijn. Bij het onderzoek kan extra redeneerruimte helpen om voorwaarden en uitzonderingen te vergelijken. Als een noodzakelijk document ontbreekt, maakt meer redeneren dat document echter niet beschikbaar. Het systeem moet dan om informatie vragen of de conclusie begrenzen.
De namen in een gebruikersinterface hoeven niet exact overeen te komen met API-waarden. Ook instellingen zijn niet zonder meer vergelijkbaar tussen generaties. De actuele gebruikersdocumentatie beschrijft Ultra bovendien als een werkwijze met subagenten. Het is geen zelfstandige GPT-familie. Controleer daarom welke instelling je product werkelijk aanbiedt en hoe het verbruik wordt berekend.
Context, tokens en actualiteit
Modellen verwerken tekst in tokens. Een contextvenster begrenst hoeveel informatie een model in een verwerking kan meenemen. Dat is niet hetzelfde als een onbeperkt persoonlijk geheugen. Een grote capaciteit betekent evenmin dat ieder detail in een lang dossier altijd foutloos wordt teruggevonden of toegepast.
Geef voor een dossier daarom de belangrijkste vraag, leidende documenten en relevante uitzonderingen aan. Een lijst van honderd bestanden zonder doel is minder bruikbaar dan een duidelijke onderzoeksvraag met bronverwijzingen. Vraag om de stukken waarop iedere belangrijke conclusie steunt. Controleer ook of het model een vergelijking heeft gemaakt of alleen afzonderlijke samenvattingen geeft.
Een kennisgrens is geen releasedatum en geen garantie van actuele kennis tot op die dag. Voor veranderlijke feiten blijft een recente bron nodig. Het model kan via gereedschappen informatie ophalen, maar alleen wanneer die gereedschappen beschikbaar zijn en worden gebruikt. Een overtuigend antwoord zonder bron is geen bewijs dat er is gezocht.
Multimodaliteit en gereedschappen
Met tool use kan een model een gereedschapsaanroep voorstellen die de toepassing uitvoert. Het gereedschap kan rekenen, zoeken, code uitvoeren of gegevens opvragen. Het resultaat komt terug als nieuwe informatie. Zo ontstaat een werkproces waarin taalverwerking en controleerbare handelingen elkaar aanvullen.
Een voorbeeld is het controleren van een tabel met productvarianten. Een script kan dubbele codes tellen, terwijl het model uitlegt welke categorieën aandacht nodig hebben. Voor beeldmateriaal kan een geschikt model leesbare labels helpen overnemen. Het blijft nodig om onduidelijke tekens en ontbrekende velden zichtbaar te houden. Een bruikbare automatisering kent dus ook een uitkomst waarin verdere controle nodig is.
Die combinatie verklaart waarom twee toepassingen met hetzelfde model anders kunnen presteren. De ene heeft actuele documenten, een rekenomgeving en duidelijke uitvoerregels; de andere alleen een korte vraag. Vergelijk daarom het volledige proces. GPT levert een belangrijke bouwsteen, maar bronnen, gereedschappen en menselijke beoordeling bepalen samen of het resultaat geschikt is voor gebruik.