Zo maken we kamoo-one.
De meeste AI-leveranciers vragen je hun model te vertrouwen. Wij laten liever zien hoe het gemaakt is, van databron tot trainingsrun.
Data verzamelen en verantwoorden
We gebruiken uitsluitend bronnen waarvan herkomst en licentie per document vastliggen. Filtering op taal, kwaliteit en OCR-ruis gebeurt vóór de training, per bron gekalibreerd, en die pipeline is net zo goed gedocumenteerd als het model zelf.
Een eigen Nederlandse tokenizer
Grote internationale modellen knippen Nederlands inefficiënt op. Onze 32k-tokenizer is puur op Nederlands getraind, waardoor het model per token meer taal ziet, en dus sneller en goedkoper werkt.
Trainen vanaf nul, op eigen hardware
kamoo-one is geen fine-tune van een Amerikaans basismodel maar wordt vanaf nul getraind op eigen hardware in Nederland. Moderne architectuur (RMSNorm, RoPE, GQA, SwiGLU), bf16-precisie en een gedocumenteerd trainingsrecept.
Meten, ook als het tegenvalt
Elk experiment krijgt een hypothese en een gemeten uitkomst. Ook wat níet werkte leggen we vast. Zo weet je dat de keuzes in het model op metingen berusten, niet op marketing.
Instructie-tuning voor echte taken
Na de basistraining leert het model de acht operaties: van herschrijven op B1-niveau en samenvatten tot helpen bij anonimiseren en signaleren op een regel. De feiten komen uit jouw documenten; kamoo levert de taal.
Waar de 7,3 miljard tokens vandaan komen.
Elke bron met licentie en herkomst, publiek na te lezen; de volledige mix staat in de model card op Hugging Face. De zes categorieën hieronder komen rechtstreeks uit het trainingsrapport van het v0.8-corpus en zijn samengesteld uit de bronnen in het register onderaan deze pagina.
- Webteksten
- 4,9 mld
- Kranten
- 0,8 mld
- Overheid & recht
- 0,65 mld
- Wikipedia
- 0,57 mld
- Literatuur
- 0,31 mld
- Onderwijs
- 0,02 mld
Het bronnenregister
Geen bronnen met onduidelijke rechten. Dit is waar de basistraining op rust, zelfde lijst als in de model card:
| bron | licentie | toelichting |
|---|---|---|
| GPT-NL Public Corpus (NL-collecties) | CC-BY-4.0 | Nederlandse collecties met per document taal-, licentie- en herkomstinformatie. |
| FineWeb-2 (Nederlands deel) | ODC-BY | Gefilterd webcorpus met heldere licentie; wij filteren daarbovenop op taal, kwaliteit en OCR-ruis. |
| Nederlandse Wikipedia | CC-BY-SA | Modern, encyclopedisch Nederlands als aanvulling op het formelere corpusmateriaal. |
| Project Gutenberg & DBNL | Publiek domein | Nederlandstalige literatuur waarvan de rechten verlopen zijn. |
Reken onze cijfers na.
Eén identieke Nederlandse alinea (388 tekens, de eerste alinea van het Wikipedia-artikel Nederland) door drie tokenizers. Minder tokens per zin betekent meer context in hetzelfde venster en lagere kosten per antwoord.
| tokenizer | vocabulaire | tokens | tekens per token |
|---|---|---|---|
| kamoo-one | 32.768 | 73 | 5,32 |
| ChatGPT 5 | ±200k | 88 | 4,41 |
| OLMo 2 | ±100k | 115 | 3,37 |
ChatGPT 5 gemeten met tiktoken (o200k_base), OLMo 2 en kamoo met hun gepubliceerde tokenizers. Testalinea, script en meetlog: huggingface.co/datasets/kamoo-ai/tokenizer-benchmark, elke rij is zelf te herhalen. GPT-NL publiceert zijn tokenizer niet; in een handmeting via hun publieke demo speelde onze 32k gelijk met hun 128k-vocabulaire (110 om 109 tokens, andere alinea).
Klein is een keuze, geen beperking.
Een klein model kan on-premise draaien, is snel en betaalbaar, en dwingt tot focus: extreem goed worden in een afgebakende set Nederlandse taken in plaats van middelmatig in alles. De feiten komen uit jouw documenten; kamoo levert de taal.