Geheime AI-koning: hoe Alibaba's Qwen3.5 OpenAI en Google het nakijken geeft
Xpert Pre-release
Taalselectie 📢
Gepubliceerd op: 15 maart 2026 / Bijgewerkt op: 15 maart 2026 – Auteur: Konrad Wolfenstein
Geheime AI-koning: Hoe Alibaba's Qwen3.5 OpenAI en Google het nakijken geeft – Afbeelding: Xpert.Digital
Gratis in plaats van premium: China's ingenieuze open-source zet tegen ChatGPT & Co.
700 miljoen downloads: De stille revolutie van Qwen AI die iedereen over het hoofd zag
Uit de schaduw: Hoe Qwen het dominante platform werd
Lange tijd werden OpenAI en Google beschouwd als de onbetwiste heersers van de AI-wereld, maar achter de schermen heeft zich een fundamentele paradigmaverschuiving voltrokken. Met de release van de Qwen3.5-modelfamilie daagt de Chinese techgigant Alibaba niet alleen de dominantie van de gevestigde westerse spelers uit, maar herdefinieert het ook volledig de spelregels voor kunstmatige intelligentie. Door een radicaal herontwerp van de architectuur lost Qwen3.5 het resourceprobleem van klassieke Transformer-modellen op en levert het ongekende prestaties met een drastisch verminderde rekenkracht. De strategie is even simpel als agressief: zeer krachtige, van nature multimodale open-source modellen worden gratis beschikbaar gesteld – zelfs compacte versies bieden prestaties op lokale hardware die in geen enkel opzicht onderdoen voor gigantische commerciële systemen. Deze stap is veel meer dan alleen een technische update. Het is een geopolitieke manoeuvre die de winstmarges van de wereldwijde AI-markt aanvalt en tegelijkertijd het tijdperk van massamarktgerichte, autonome AI-agenten ("Agentic AI") inluidt. Een gedetailleerde analyse laat zien hoe Alibaba dit heeft bereikt en wat de benchmarkcijfers werkelijk betekenen voor de toekomst van de sector.
Dit is hiermee gerelateerd:
Alibaba's stille revolutie: hoe de Qwen3.5-familie de AI-wereldorde herdefinieert
De open-sourceaanval van China treft OpenAI en Google waar het het meest pijn doet: in hun architectuur
Toen Alibaba in april 2025 de Qwen3-modelserie lanceerde, reageerden westerse technologiejournalisten lauwwarm. Toegegeven, krachtig, maar uiteindelijk slechts één van de vele modellen in een steeds drukker wordende markt – dat was het oordeel. Wat deze objectieve beoordeling over het hoofd zag, was dat Qwen niet langer een nicheproject was, maar op weg was om 's werelds meest gebruikte open-source AI-platform te worden. In januari 2026 meldde het Qwen-team 700 miljoen downloads op Hugging Face, waarmee het zelfs Meta's Llama overtrof, jarenlang de onbetwiste maatstaf voor open-source taalmodellen. De cijfers spraken voor zich: in december 2025 overtroffen de maandelijkse Qwen-downloads het gecombineerde totaal van de volgende acht populairste modellen – waaronder Meta, DeepSeek, OpenAI, Mistral en Nvidia.
Deze populariteit is geen toeval. De cijfers weerspiegelen een strategische beslissing die Alibaba sinds 2023 consequent heeft genomen: Qwen-modellen eerder, vaker en in meer varianten uitbrengen dan de concurrentie. Tot nu toe heeft Alibaba bijna 400 modellen uit de Qwen-suite als open source beschikbaar gesteld en meer dan 180.000 afgeleide versies gegenereerd. Zelfs toonaangevende onderzoeksgroepen vertrouwen op Qwen: het team rond AI-pionier Fei-Fei Li trainde zijn veelgeprezen s1-inferentiemodel met relatief bescheiden middelen op Qwen. DeepSeek, het Chinese modelleerlaboratorium dat begin 2025 wereldwijd furore maakte met R1, heeft zes community-gebaseerde modellen uitgebracht – waarvan er vier op Qwen zijn gebaseerd.
Op het meest cruciale criterium van de open-source AI-gemeenschap had Qwen daarmee een positie bereikt die marktonderzoekers beschouwen als een bijna onwrikbaar netwerkeffect: Degenen die voortbouwen op Qwen profiteren van een enorm ecosysteem van afgeleide modellen, finetuning, optimalisaties en communityondersteuning. Degenen die met Qwen concurreren, concurreren tegelijkertijd met een vliegwiel van netwerkeffecten. Deze structurele kracht vormt de achtergrond waartegen de Qwen3.5-modelreeks moet worden beoordeeld.
De architectonische gok: Waarom Qwen3.5 anders denkt dan zijn voorgangers
Het cruciale verschil tussen de Qwen3.5-familie en haar voorgangers ligt niet in een simpele toename van parameters, maar in een fundamentele architectonische paradigmaverschuiving. Klassieke transformermodellen – van GPT-4 via Llama tot de originele Qwen3 – vertrouwen op het zogenaamde zelfaandachtsmechanisme, dat wiskundig schaalt met een kwadratische complexiteit. Dit betekent dat een verdubbeling van de contextlengte de rekeninspanning verviervoudigt. Dit is de bottleneck die lange documenten, uitgebreide codebases of urenlange conversatiegeschiedenissen zo resource-intensief maakt voor taalmodellen.
Qwen loste dit probleem niet op door geleidelijke optimalisaties, zoals DeepSeek deed met zijn Multi-Head Latent Attention, maar door een radicalere architectuurverandering. De kern van de nieuwe architectuur is de Hybrid Mixture of Experts-structuur: van elke vier transformerblokken worden er drie vervangen door Gated Delta Networks – een lineaire aandachtsvariant gebaseerd op het theoretische werk "Gated Delta Networks: Improving Mamba2 with Delta Rule". Slechts elk vierde blok blijft een klassieke full-attention-laag voor precisietaken. Het resultaat is een rekencomplexiteit die slechts lineair toeneemt met de contextlengte – een categorisch verschil met de kwadratische schaling van klassieke transformers.
De gevolgen van deze beslissing zijn aanzienlijk. Lineaire schaling betekent in de praktijk dat het model met dezelfde rekenkracht aanzienlijk langere teksten kan verwerken en tokens sneller kan produceren dan een dicht model met vergelijkbare intelligentie. Qwen3.5-Plus, de gehoste versie via Alibaba Cloud, ondersteunt een contextvenster van één miljoen tokens – een capaciteit die slechts twee jaar geleden nog exclusief was voorbehouden aan gespecialiseerde architectuurbenaderingen zoals Claude's Constitutional AI. Tegelijkertijd reduceert de hybride architectuur de VRAM-vereisten drastisch: terwijl een klassiek dicht model met 400 miljard parameters meer dan 800 GB GPU-geheugen vereist, heeft de Qwen3.5-397B-A17B op gekwantiseerde systemen slechts 48 tot 96 GB nodig.
Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) - Platform- en B2B-oplossing | Xpert Consulting
Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) – Platform- en B2B-oplossing | Xpert Consulting - Afbeelding: Xpert.Digital
Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.
Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.
De belangrijkste voordelen in één oogopslag:
⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.
🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.
💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.
🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.
📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.
Meer informatie vindt u hier:
De nieuwe AI van China verslaat Google en OpenAI met een fractie van hun omvang
Het vuurwerk van de modelreeks: van 397 miljard naar 0,8 miljard parameters
De release-strategie van de Qwen3.5-familie volgde een weloverwogen ritme. Het vlaggenschipmodel, Qwen3.5-397B-A17B, gaf de aftrap vlak voor Chinees Nieuwjaar: 397 miljard parameters in totaal, waarvan er slechts 17 miljard per token actief zijn. Deze minimalistische architectuur met een mix van experts zorgde voor verbazing tijdens de eerste praktijktest, aangezien het activeringspercentage van minder dan vijf procent betekende dat het model, ondanks zijn gigantische omvang, een latentie behaalde die vergelijkbaar was met die van een aanzienlijk kleiner model.
Kort daarna volgde het echte vuurwerk: Qwen3.5-122B-A10B en Qwen3.5-35B-A3B als SMoE-modellen voor hoogwaardige toepassingen, en de compacte Qwen3.5-27B als allrounder voor gebruikers die prioriteit geven aan hoge kwaliteit bij individuele taken boven pure inferentiesnelheid. De eerste evaluaties door de community lieten een verrassend beeld zien: het 27B-model, hoewel parameter-specifiek kleiner dan de SMoE-varianten, behaalde betere resultaten in tal van benchmarks – een indicatie dat het complexere trainingsproces voor sparse architecturen nog niet volledig is geoptimaliseerd en nog veel potentieel biedt.
De grootste ophef ontstond echter door de daaropvolgende release van de kleinere modellen: Qwen3.5-9B, Qwen3.5-4B, Qwen3.5-2B en Qwen3.5-0.8B. Deze modellen zijn specifiek ontworpen voor gebruik op standaardcomputers en leveren een prestatiedichtheid die vrijwel ongeëvenaard is in de geschiedenis van compacte taalmodellen. De Qwen3.5-9B behaalde een score van 81,7 punten in de GPQA Diamond-benchmark, die academisch redeneervermogen op masterniveau test – waarmee het OpenAI's GPT-oss-120B met 80,1 punten overtrof, een model met meer dan dertien keer zoveel parameters. In de visuele redeneerbenchmark MMMU-Pro scoorde het 9B-model 70,1 punten, vergeleken met Gemini 2.5 Flash-Lite met 59,7. Het 4B-model zorgde ook voor ophef: op Video-MME (met ondertitels) behaalde het 83,5 punten, ver voor op Google's 74,6.
Dit is hiermee gerelateerd:
Multimodaliteit als standaard: het einde van het VL-achtervoegsel
Een strategisch belangrijke, symbolische stap in de Qwen3.5-familie is het verwijderen van de afkorting "VL" uit de modelnamen. Voorheen duidde "VL" (Vision Language) op modellen die in staat waren om afbeeldingen te verwerken – een mogelijkheid die altijd als een extra functie werd beschouwd. In de 3.5-generatie zijn alle modellen zonder uitzondering van nature multimodaal: tekst, afbeeldingen en video's worden niet via adapters verwerkt, maar vanaf het begin geïntegreerd door middel van vroege fusietraining.
Deze stap is meer dan alleen cosmetisch. Het markeert een strategische herpositionering: Qwen beschouwt multimodaliteit niet langer als een premiumfunctie voor bepaalde modelvarianten, maar als een basisvereiste voor elk modern taalmodel. De technische implementatie met Early Fusion betekent dat beeld- en taalbegrip worden aangeleerd in een gedeelde representatieruimte – met als voordeel dat het model visuele en linguïstische kennis diepgaand kan koppelen in plaats van ze slechts oppervlakkig te combineren. Qwen 3.5 ondersteunt bovendien 201 talen en dialecten, vergeleken met 119 in de vorige generatie.
Geopolitiek in de code: Wat betekent China's open-sourceoffensief voor de wereldwijde AI-markt?
Achter deze technologische vooruitgang schuilt een geopolitieke dimensie die in de westerse media vaak over het hoofd wordt gezien. In 2025 en 2026 voerde de Chinese AI-industrie een strategie uit die kan worden omschreven als "ondermijning van open-sourcemodellen": modellen met prestaties vergelijkbaar met die van de duurste commerciële aanbieders werden gratis beschikbaar gesteld, onder een licentie die commercieel gebruik toestond. Het resultaat is een systematische devaluatie van de prijs die OpenAI, Anthropic en Google vragen voor hun vlaggenschipproducten.
Alibaba positioneert Qwen3.5 expliciet als een concurrent van GPT-5.2 en Claude 4.5 Opus. In interne benchmarks presteerde Qwen3.5 beter dan beide modellen op IFBench, een test die de kwaliteit van het opvolgen van instructies meet. Op de HMMT-redeneerbenchmark overtrof Qwen3.5 Claude 4.5 Opus, maar bleef achter bij GPT-5.2. Dit genuanceerde prestatielandschap is kenmerkend: Qwen3.5 is niet onbetwist de leider in één enkele categorie, maar is wel over de hele linie concurrerend – en dit alles met volledig open source.
De reactie van de markt op deze situatie is al duidelijk zichtbaar. Ontwikkelaars, met name in bedrijven die afhankelijk zijn van hun middelen, wenden zich tot Qwen-derivaten omdat de totale eigendomskosten van radicale inferentie op hun eigen hardware aanzienlijk lager liggen dan de API-kosten van commerciële aanbieders. Dit is een cruciaal voordeel voor B2B-klanten die AI-oplossingen willen schalen zonder per token te hoeven betalen. De prijsdruk die Chinese open-sourcemodellen op de markt uitoefenen, heeft OpenAI er al toe aangezet om meer betaalbare productlijnen zoals de GPT-5 mini op de markt te brengen – een directe reactie op de concurrentie van Qwen.
Benchmarks zonder de mythe: wat de cijfers werkelijk zeggen
Een serieuze evaluatie van de Qwen3.5-benchmarks vereist een kritische afstand. Alibaba presenteerde de prestatievergelijkingen als "zelf gerapporteerd"—een feit dat expliciet werd opgemerkt door CNBC, wat onafhankelijke verificatie noodzakelijk maakt. Bovendien zijn benchmarks geen neutrale maatstaven: modellen kunnen worden getraind op benchmark-achtige data, wat kan leiden tot overfitting voor bepaalde testformaten zonder dat dit resulteert in een daadwerkelijke prestatieverbetering in de praktijk. De door de community uitgevoerde tests in de weken na de release schetsen een meer gemengd, maar over het algemeen indrukwekkend beeld.
De resultaten zijn bijzonder robuust bij toepassing op benchmarks die actief redeneren vereisen en niet kunnen worden opgelost door louter feitelijke informatie op te halen. De GPQA Diamond-benchmark, die vragen stelt uit de biologie, natuurkunde en scheikunde op doctoraal niveau, wordt beschouwd als bijzonder moeilijk te manipuleren. Het feit dat Qwen3.5-9B hier beter presteert dan een model met 120 miljard parameters is volgens huidig onderzoek geen meetfout, maar eerder een uiting van het efficiëntieverhogende effect van de nieuwe architectuur in combinatie met trainingsdata van hogere kwaliteit. Qwen maakte gebruik van een FP8-pipeline en een asynchroon reinforcement learning-framework voor de training – technische keuzes die de data-efficiëntie verhogen en de training stabieler maken.
Dit is hiermee gerelateerd:
Agentische AI en de volgende ontwikkelingsfase van het Qwen-platform
Alibaba positioneert Qwen3.5 niet als zomaar een chatmodel, maar expliciet als de fundamentele architectuur voor het "Agentic AI-tijdperk". Deze bewering wordt ondersteund door aanzienlijk technisch bewijs: de training met behulp van reinforcement learning is opgeschaald naar miljoenen agentomgevingen met steeds complexere taakverdelingen – een methodologie die zich richt op de daadwerkelijke uitvoering van taken in meerdere fasen in plaats van statische kennisreproductie. Qwen3.5-Plus biedt native toolgebruik via Alibaba Cloud en een adaptief toolgebruikssysteem waarmee agents zelfstandig toegang hebben tot externe API's, databases en zoekopdrachten.
Het feit dat een taalmodel met 17 miljard actieve parameters deze taken met concurrerende kwaliteit kan uitvoeren, vertegenwoordigt een fundamentele verschuiving in de economie van agentgebaseerde AI-toepassingen. Eerdere benaderingen vereisten grote, dure modellen als het brein van de agent, wat de operationele kosten voor langdurige autonome taken aanzienlijk opdreef. Qwen3.5-9B, dat lokaal op hardware draait met een enkele high-end GPU, maakt agentgebaseerde AI-systemen toegankelijk voor een breder middensegment en ontwikkelaars zonder cloudbudget. Deze democratiseringsdynamiek zou de adoptie van AI-agenten in middelgrote bedrijven aanzienlijk kunnen versnellen.
Advisering - Planning - Implementatie
Konrad Wolfenstein
Ik sta graag tot uw beschikking als uw persoonlijke adviseur.
contact met mij opnemen via wolfenstein ∂ xpert.digital
U kunt me bereiken op +49 89 89 674 804 (München) .
