# Onderzoekers trainen goedkoper planningsmodel voor thuiszorg

> Een team destilleerde realtime beslissingen van een frontiermodel in een klein Qwen3‑8B-model. Dat is 2,5× sneller en goedkoper, met behoud van de nauwkeurigheid.

Oossa · 2026-10-14 · https://oossa.com/nl/researchers-use-gpt-5-4-nano-to-train-cheaper-home-care-scheduling-model

Keegan Wang en collega’s lieten zien hoe je een goedkope planningsassistent voor thuiszorgorganisaties bouwt. Eerst verzamelden ze realtime ja/nee-beslissingen over veiligheid van het grote GPT‑5.4‑nano-model. Daarna finetuneden ze een klein Qwen3-model met 8 miljard parameters op 11,6 k van die beslissingen. Het kleine model geeft het 91,3% van de tijd eens met het grotere model, werkt ongeveer 2,5 keer sneller en kost maar een fractie van het origineel.

## De feiten

- Artikel gepubliceerd op 14 okt 2026
- Qwen3‑8B, gefinetuned op 11,6 k beslissingen, behaalt 0,913 overeenstemming met GPT‑5.4‑nano

## Waarom het ertoe doet

Thuiszorgorganisaties kunnen een goedkoop, sneller model inzetten zonder in te leveren op de kwaliteit van beslissingen.

## Bronnen en referenties

1. [Iterate on an LLM, Serve on an SLM](https://arxiv.org/abs/2610.14576) – arXiv, 2026-10-14

Laatst bijgewerkt: 2026-10-14