# Zelflerende training verbetert 12B-model voor retail en luchtvaart

> Een Gemma-4 12B-agent leert beleid af uit eigen logs en verhoogt de slagingspercentages op benchmarks met maximaal 22 punten, zonder lerend model.

Oossa · 2026-11-13 · https://oossa.com/nl/teacher-free-co-evolution-improves-a-12b-llm-for-retail-and-airline-tasks

Onderzoekers onder leiding van Yujia Zhang publiceerden op 13 nov 2026 een artikel over een nieuwe trainingsmethode voor een Gemma-4-LLM met 12 miljard parameters, bedoeld voor klantenservicebots. Het model stelt op basis van mislukte gesprekken zelf beleidsregels op en controleert die voordat het een LoRA-adapter traint. Na twee rondes steeg de score van de agent met 12,5 tot 19,5 punten op benchmarks voor retail en luchtvaart. Daarmee presteerde hij beter dan een referentieversie waarin het beleid hard was vastgelegd. De methode verkleint de prestatiekloof met toonaangevende frontiermodellen.

## De feiten

- Artikel gepubliceerd op vrijdag 13 nov 2026
- Verbetering na twee rondes: +12,5 punten voor retail en +19,5 voor luchtvaart op slagingspercentages

## Waarom het ertoe doet

Bedrijven kunnen kleinere, open LLM's inzetten die zelf beter leren omgaan met beleidsregels, zonder dure lerende modellen.

## Bronnen en referenties

1. [Knowledge in the Harness, Reliability in the Weights: Teacher-Free Co-Evolution of an LLM Agent](https://arxiv.org/abs/2611.15268) – arXiv, 2026-11-13

Laatst bijgewerkt: 2026-11-13