# Soft-prompt-tuning laat benchmarks kennis meten, niet de opmaak

> Aleph Alpha laat zien dat je basismodellen met slechts tien kleine vectoren in één minuut het juiste antwoordformaat kunt aanleren, voor duidelijkere scores.

Oossa · 2026-09-29 · https://oossa.com/nl/soft-prompt-tuning-helps-llm-benchmarks-focus-on-knowledge-not-format

Aleph Alpha heeft een methode uitgebracht die slechts een handvol trainbare vectoren aanpast — soft prompts genoemd — om een bevroren taalmodel precies het antwoordformaat aan te leren dat een benchmark verwacht. Het finetunen kost ongeveer 80 stappen, oftewel zo’n 1,5 minuut voor een model met 7 miljard parameters. De nauwkeurigheid bij het volgen van het gewenste formaat stijgt daarmee tot bijna 100 procent, zonder dat de kennis van het model verandert.

Omdat de kennisscore van het model gelijk blijft terwijl de opmaak verbetert, kunnen onderzoekers basismodellen eerlijk vergelijken en voorspellen hoe ze na volledige nabewerking zullen scoren. Dat scheelt weken aan rekenwerk.

## De feiten

- 10 soft-promptvectoren vertegenwoordigen 0,0006% van de parameters van een model met 7 miljard parameters
- De training duurt ongeveer 80 stappen, oftewel zo’n 1,5 minuut voor een model met 7 miljard parameters

## Waarom het ertoe doet

Ontwikkelaars kunnen modellen hiermee snel evalueren en rangschikken zonder kostbare volledige training, en zich richten op wat het model daadwerkelijk weet.

## Bronnen en referenties

1. [Soft-Prompt Tuning for Fair and Efficient LLM Benchmark Evaluation](https://www.aleph-alpha.com/en/blog/soft-prompt-tuning-for-fair-and-efficient-llm-benchmark-evaluation/) – Aleph Alpha, 2026-09-29

Laatst bijgewerkt: 2026-09-29