Open-weightmodel voor Duitse B2B: Qwen, Kimi, Nemotron of Minimax?
Bij open-weightmodellen voor het Duits bepaalt de licentie vóór de benchmark. Drie van de vier zijn echt vrij.
Vertaling automatisch gegenereerd met AI. De Duitse versie is het redactioneel gecontroleerde origineel.
Bij een open-weightmodel voor Duitse B2B-teksten bepaalt de volgorde licentie, dan Duitse kwaliteit, dan hardwarepassing. De hoogste plek in een leaderboard is zelden wat de doorslag geeft.
Qwen, Kimi, Nemotron en Minimax zijn in 2026 allemaal serieus bruikbaar. Maar slechts drie van de vier hebben een echt vrije licentie, slechts één familie past netjes op mkb-hardware, en geen enkele aanbieder publiceert een zuivere vergelijking van precies deze vier in het Duits. Deze tekst ordent de vier volgens de criteria die een koper daadwerkelijk moet toetsen, en eindigt met de beslissing die ik een mkb-bedrijf aanraad.
01. Eerst de licentie, dan de benchmark
De licentie is de eerste poort, omdat ze over elk commercieel on-premise gebruik beslist voordat ook maar één benchmark telt.
Drie van de vier zijn hier eenvoudig. Qwen3 staat onder Apache 2.0, Minimax M2 onder MIT, Kimi K2 onder een aangepaste MIT-licentie (Hugging Face). Dat zijn echte, vrije grants: commercieel gebruik, doorgeven, finetunen, geen belletje naar huis.
🔸 Nemotron is het bijzondere geval.
NVIDIA's Open Model License is geen zuivere Apache- of MIT-licentie. Ze koppelt het gebruik aan NVIDIA's voorwaarden en eindigt automatisch zodra de ingebouwde beveiligingsmechanismen worden verwijderd (NVIDIA). Het model is goed, maar deze clausule komt eerst bij de juridische afdeling terecht, niet bij engineering. We hebben de NVIDIA-aanpak in detail beschreven in het artikel over Nemotron 3.
Wie soevereiniteit als argument gebruikt, moet de licentie kunnen lezen als een contract, want dat is ze precies.
02. Hoe goed is het Duits werkelijk?
Het eerlijke antwoord: er bestaat geen zuivere viervoudige vergelijking van deze modellen in het Duits, dus moet u die zelf maken.
Duitse evaluatie-infrastructuur bestaat. SuperGLEBer, het Occiglot Euro-LLM-leaderboard en MMLU-ProX over 29 talen dekken Duits af (ACL Anthology). Wat ontbreekt, is een gepubliceerde kop-aan-kopvergelijking van precies deze vier op Duitse tekst. Qwen3 is getraind op 119 talen en is de familie met de breedst gedocumenteerde meertaligheid (Qwen); voor Kimi, Nemotron en Minimax noemen de aanbieders Duits niet apart als aandachtsgebied.
De praktische conclusie is oncomfortabel maar duidelijk: benchmarkplaatsen op Engelse tests zeggen weinig over de kwaliteit op uw Duitse contracten, offertes of supportteksten. De enige houdbare test is die op uw eigen materiaal. Hoe u leaderboards eigenlijk moet lezen zonder u te laten misleiden, staat in het artikel over het lokale model.
03. Wat op uw hardware draait
De hardwarepassing sorteert het veld sneller dan elke benchmark, omdat een model dat niet op uw kaarten past, simpelweg afvalt.
Qwen3 is hier de uitzondering. De dense varianten van 4B tot 32B draaien gekwantiseerd op een tot twee GPU's, en de 30B-A3B-MoE-variant levert modelkwaliteit bij slechts ongeveer 3B actieve rekenlast. Dat is het formaat dat past bij een typische on-premise box in het mkb.
Kimi K2 en Minimax M2 zijn frontier-MoE-modellen. Minimax activeert weliswaar slechts 10B parameters, maar de volledige gewichten vereisen een server met meerdere GPU's; Kimi met 1 biljoen totale parameters al helemaal. Nemotron 3 Nano is met 3,6B actieve parameters zeer zuinig en draait op een enkele kaart, maar valt terug vanwege de licentie. Wat deze VRAM-realiteit concreet kost, hebben we doorgerekend in het artikel over hardware.
04. De geopolitiek zit in de gewichten, niet in de API
Bij open-weightmodellen verschuift de soevereiniteitsvraag: de gewichten draaien volledig offline, dus is er geen externe uitschakelaar. Wat overblijft, is wat in het model zelf is ingebakken.
Drie van de vier labs zijn Chinees (Qwen, Kimi, Minimax), een is Amerikaans (Nemotron). Omdat de gewichten lokaal draaien, is de eigenlijke vraag niet de serverlocatie, maar de uitlijning in het model zelf. Onafhankelijke tests melden hoge weigeringspercentages van Chinese modellen bij politiek gevoelige onderwerpen, het sterkst in het Chinees en zwakker, maar aanwezig, in het Duits (ChinaBench). Deze cijfers zijn zelf gepubliceerd en niet peer-reviewed, dus met voorzichtigheid te lezen, maar het effect is reëel genoeg voor een eerlijke paragraaf in het lastenboek.
Voor pure B2B-tekstwerkzaamheden, dus concepten, extractie, classificatie en retrieval over uw eigen documenten, is dit effect meestal beheersbaar. Het is een kwestie van uitvoerkwaliteit en externe uitstraling, geen beveiligingslek. De bredere soevereiniteitsboog, Europese modellen en wat het label werkelijk waard is, behandelen we in het artikel over soevereine Europese AI.
05. Hoe ik dit beslis voor een mkb-bedrijf
De beslissing is niet patriottisch en niet gedreven door het leaderboard, ze volgt een volgorde. Zo pak ik het aan:
- Licentie controleren. Alleen modellen met een echte Apache- of MIT-grant komen zonder juridische ruggenspraak in de engere selectie. Dat zijn hier Qwen3, Kimi K2 en Minimax M2.
- Op uw eigen Duits testen. Niet de Engelse benchmark, maar vijftig van uw echte teksten tegen twee kandidaten laten lopen en blind beoordelen.
- Hardware afstemmen. Wat op uw een tot twee kaarten past, wint bijna altijd, omdat de operatie anders duur en fragiel wordt.
Voor de meeste mkb-bedrijven komt dat neer op Qwen3 als startpunt: vrij gelicentieerd, breed meertalig, in het juiste hardwarevenster. Kimi en Minimax zijn de keuze wanneer de server toch al draait en reasoning of agents op de voorgrond staan. Het open-weight-codeermodel Kimi K2.7 hebben we daarvoor apart bekeken.
En, zoals altijd bij ons: bouw de architectuur zo dat u het model kunt vervangen. Het volgende betere open-weightmodel komt vast en zeker. De eigenlijke vraag is niet welk model vandaag vooroploopt, maar welke van uw taken het sterkste model daadwerkelijk nodig hebben en welke slechts een goed model nodig hebben dat van u is. Welke van uw teksten zou u toevertrouwen aan een model dat u niet zelf hebt getest?
