{"id":3442486,"date":"2026-08-12T14:09:02","date_gmt":"2026-08-12T12:09:02","guid":{"rendered":"https:\/\/datanorth.ai\/?p=3442486"},"modified":"2026-08-12T14:09:16","modified_gmt":"2026-08-12T12:09:16","slug":"de-complete-gids-voor-meta-ai","status":"publish","type":"post","link":"https:\/\/datanorth.ai\/nl\/blog\/de-complete-gids-voor-meta-ai","title":{"rendered":"De complete gids voor Meta AI: Modellen, lokaal draaien, cloud API’s en prestatievergelijkingen"},"content":{"rendered":"\n

Meta AI is twee dingen onder \u00e9\u00e9n naam: een gratis chatassistent die is ingebouwd in WhatsApp, Instagram, Messenger en de losse meta.ai-app, en de merknaam voor Meta’s Llama-familie van open weights-modellen die elke ontwikkelaar kan downloaden, fine-tunen en op eigen servers kan draaien. Sinds april 2026 levert Meta ook Muse Spark, een apart, gesloten topmodel naast Llama, niet in de plaats ervan: de grootste koerswijziging in Meta’s AI-strategie sinds de introductie van Llama in 2023.<\/p>\n\n\n\n

Wat is Meta AI?<\/h2>\n\n\n\n

Meta AI verwijst zowel naar de consumentenassistent in Meta’s apps als naar het onderzoeksprogramma erachter. Als product beantwoordt het vragen, genereert en bewerkt het afbeeldingen, en voert het gesproken gesprekken, gratis en zonder abonnement, in WhatsApp, Instagram Direct, Messenger, Facebook en de losse meta.ai-app. Het passeerde 1 miljard maandelijks actieve gebruikers in mei 2025, bevestigde Mark Zuckerberg<\/a>, en het draait ook de spraakassistent in de Ray-Ban Meta smart glasses.<\/p>\n\n\n\n

Als onderzoeksprogramma is Meta AI de groep achter de Llama-familie van open weights-modellen, vrij gepubliceerd op Hugging Face en llama.com om te fine-tunen en zelf te hosten, plus gespecialiseerde modellen zoals Segment Anything.<\/p>\n\n\n\n

Meta’s redenering om de gewichten open te publiceren is dat het bedrijf geen omzet haalt uit het verkopen van AI-modeltoegang: het verdient aan advertenties en engagement. Een sterker gedeeld AI-ecosysteem, meer externe controle op de modellen en snellere adoptie door ontwikkelaars rond Llama komen allemaal terug bij Meta’s eigen producten, zonder dat het concurreert met de API-omzet van een rivaal. Die logica verklaart nog steeds waarom Llama bestaat. Ze verklaart niet langer de hele roadmap: nadat de ontvangst van Llama 4 in 2025 tegenviel<\/a>, richtte Zuckerberg Meta Superintelligence Labs op onder de nieuwe Chief AI Officer Alexandr Wang, en in april 2026 bracht dat team Muse Spark uit als gesloten, propri\u00ebtair model. Meta zegt dat bestaande Llama-modellen open source beschikbaar blijven, maar het nieuwste grensverleggende werk is niet langer standaard open.<\/p>\n\n\n\n

Het Meta AI-modellandschap (familie en architectuur)<\/h2>\n\n\n\n

Meta’s modellen overspannen drie ordes van grootte: van modellen met 1 miljard parameters die op een telefoon draaien tot een nog niet uitgebracht model van 2 biljoen parameters. De meeste gebruiken een dense transformer-architectuur, maar Llama 4 stapte over op mixture-of-experts (MoE)<\/a>, waarbij elk token maar een fractie van het totale aantal parameters activeert. Dat verlaagt de inferentiekosten zonder de totale modelcapaciteit te verkleinen.<\/p>\n\n\n\n

Llama 4: Maverick en Scout<\/h3>\n\n\n\n

Llama 4 Maverick en Scout<\/a>, uitgebracht in april 2025, waren Meta’s eerste van nature multimodale modellen: getraind op tekst en beeld tegelijk in plaats van dat er achteraf iets aan werd vastgeplakt. Beide activeren 17 miljard parameters per token. Een derde model, het 2 biljoen parameter tellende Behemoth, werd gepresenteerd als teachermodel voor distillatie, maar is sinds medio 2025 herhaaldelijk uitgesteld en is per augustus 2026 nog altijd niet uitgebracht.<\/p>\n\n\n\n

Llama 3.3, 3.2 en 3.1: de gevestigde werkpaarden<\/h3>\n\n\n\n

Llama 3.3 70B (december 2024) is een dense model met alleen tekst, afgesteld om de outputkwaliteit van Llama 3.1 405B te evenaren tegen een fractie van de servingkosten, waardoor het het standaard enterprise-werkpaard is. Llama 3.2 (september 2024) splitste zich in edge-modellen (1B en 3B, alleen tekst, gebouwd voor gebruik op het apparaat zelf) en beeldmodellen (11B en 90B) voor document- en beeldbegrip. Llama 3.1 405B (juli 2024) is Meta’s grootste dense model, getraind op meer dan 15 biljoen tokens, en wordt vandaag vooral gebruikt om synthetische trainingsdata te genereren en kleinere modellen te distilleren.<\/p>\n\n\n\n

Emu, Movie Gen en Segment Anything: de gespecialiseerde modellen<\/h3>\n\n\n\n

Emu is Meta’s beeldgeneratie- en bewerkingsfamilie uit 2023; Movie Gen<\/a>, gepresenteerd in 2024, is de geavanceerdere opvolger voor gesynchroniseerde video- en audiogeneratie. Voor visietaken volgde Segment Anything Model 3 (SAM 3)<\/a>, eind 2025 uitgebracht, SAM 2 op met concept-gebaseerde prompting: beschrijf een object in tekst in plaats van erop te klikken, en SAM 3 vindt en volgt elke bijpassende instantie in een afbeelding of video in real time.<\/p>\n\n\n\n

Model<\/th>Parameters<\/th>Modaliteit<\/th>Context window<\/th>Belangrijkste toepassing<\/th><\/tr><\/thead>
Llama 4 Maverick<\/td>400B totaal \/ 17B actief (128 experts)<\/td>Tekst + beeld<\/td>1M tokens<\/td>Algemene assistent, creatief schrijven, beeldbegrip<\/td><\/tr>
Llama 4 Scout<\/td>109B totaal \/ 17B actief (16 experts)<\/td>Tekst + beeld<\/td>10M tokens<\/td>Multi-documentsamenvatting, grote codebases, long-context redeneren<\/td><\/tr>
Llama 3.3 70B<\/td>70B (dense)<\/td>Alleen tekst<\/td>128K tokens<\/td>Enterprise chat en redeneren tegen lagere servingkosten<\/td><\/tr>
Llama 3.2 (1B \/ 3B)<\/td>1B of 3B (dense)<\/td>Alleen tekst<\/td>128K tokens<\/td>On-device en edge-assistenten<\/td><\/tr>
Llama 3.2 (11B \/ 90B)<\/td>11B of 90B (dense)<\/td>Tekst + beeld<\/td>128K tokens<\/td>Document-\/grafiekbegrip, beeldbeschrijving<\/td><\/tr>
Llama 3.1 405B<\/td>405B (dense)<\/td>Alleen tekst<\/td>128K tokens<\/td>Synthetische data genereren, modeldistillatie<\/td><\/tr>
SAM 3<\/td>Niet bekendgemaakt<\/td>Beeld + video<\/td>N.v.t.<\/td>Concept-gebaseerde segmentatie en objectvolging<\/td><\/tr>
Emu \/ Movie Gen<\/td>Niet bekendgemaakt<\/td>Beeld \/ video + audio<\/td>N.v.t.<\/td>Beeld- en videogeneratie en -bewerking<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Hoe gebruik je Meta AI-modellen: van consument tot lokaal draaien<\/h2>\n\n\n\n
\"de
Een modellijn verlaat Meta’s apps richting het open ontwikkelaars ecosysteem. De andere niet.<\/em><\/em><\/figcaption><\/figure>\n\n\n\n

Toegang voor consumenten<\/h3>\n\n\n\n

Iedereen kan Meta AI vandaag gratis gebruiken via WhatsApp, Instagram, Messenger, Facebook en meta.ai, zonder apart abonnement. Het draait ook op de Ray-Ban Meta en Ray-Ban Meta Display-brillen, die vragen beantwoorden en muziek bedienen via de microfoons en speakers in het montuur.<\/p>\n\n\n\n

Cloud API’s en hosting<\/h3>\n\n\n\n

Meta host zelf geen developer-API voor Llama, zoals OpenAI of Anthropic dat wel doet voor hun eigen modellen. In plaats daarvan certificeert het hostingpartners: Amazon Bedrock en Google Vertex AI Model Garden bieden Llama als managed, pay-per-token endpoint binnen AWS en Google Cloud; Microsoft Azure AI Foundry host de volledige Llama 4-line-up<\/a>; Together AI prijst Llama 4 Maverick rond de $0,27 per miljoen tokens<\/a>, zo’n 80% onder gesloten frontier-API’s; en de eigen LPU-hardware van Groq draait Llama 4 Scout op 446 tokens per seconde<\/a> voor latency-gevoelige toepassingen. Let bij Amerikaanse aanbieders altijd op de US CLOUD Act als je met persoonsgegevens werkt: EU-datareplicatie bij een hyperscaler neemt die vraag niet volledig weg.<\/p>\n\n\n\n

Lokaal en on-prem draaien<\/h3>\n\n\n\n

Voor zero-latency of privacy-first gebruik draait Llama volledig offline via Ollama, LM Studio, vLLM of Hugging Face’s transformers-library. Ollama is de snelste weg naar een eerste lokaal model:<\/p>\n\n\n\n

ollama pull llama3.2:3b\nollama run llama3.2:3b\nollama run llama3.3\nollama run llama4:scout<\/code><\/pre>\n\n\n\n
vLLM en TensorRT-LLM zijn beter geschikt voor productieserving op schaal dan Ollama; onze gids voor het zelf hosten van LLM’s<\/a> behandelt runtime-keuze, VRAM-berekening en AVG-overwegingen in detail.<\/p>\n\n\n\n
Model<\/th>Quantization<\/th>Benodigd VRAM<\/th>Typische hardware<\/th><\/tr><\/thead>
Llama 3.2 3B<\/td>Q4_K_M (GGUF)<\/td>~4 GB<\/td>Elke moderne laptop-GPU, of CPU-only<\/td><\/tr>
Llama-klasse 8B-model<\/td>Q4_K_M (GGUF)<\/td>~6-8 GB<\/td>RTX 4060-\/4070-klasse GPU<\/td><\/tr>
Llama 3.3 70B<\/td>Q4_K_M (GGUF)<\/td>~45 GB<\/td>RTX 5090, twee consumenten-GPU’s, of Mac Studio unified memory<\/td><\/tr>
Llama 3.3 70B<\/td>FP16<\/td>~140 GB<\/td>Multi-GPU server (A100 \/ H100)<\/td><\/tr>
Llama 4 Scout<\/td>Q4_K_M (GGUF)<\/td>~65 GB<\/td>E\u00e9n A100 \/ H100 80GB<\/td><\/tr>
Llama 4 Maverick<\/td>Q4_K_M (GGUF)<\/td>~245 GB<\/td>Multi-GPU H100-server (4x80GB+)<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
Let op: mixture-of-experts-modellen laden alle experts in het VRAM, ongeacht hoeveel er per token actief zijn. Scout en Maverick hebben daardoor veel meer geheugen nodig dan hun 17B actieve parameters doen vermoeden.<\/p>\n\n\n\n
Voor- en nadelen van Meta AI<\/h2>\n\n\n\n
Voordelen van Meta AI<\/h3>\n\n\n\n