Delta-fijnafstelling

Delta fine-tuning betekent het trainen van een kleine set nieuwe gewichten bovenop een bevroren basismodel. In de praktijk update je ongeveer 0,1% tot 3% van de parameters met methoden zoals LoRA, dus niet het hele model. Voor generative engine optimization maakt dat het aanpassen van modellen financieel haalbaar en operationeel snel.

Waarom SEO- en GEO-teams dit belangrijk vinden

Als je merk terugkomt in ChatGPT, Perplexity, Gemini of een interne assistent, moet het model weten wat je producten zijn, welke terminologie je gebruikt en welke formuleringen je voorkeur hebben. Met delta tuning kun je dat versterken. Het kan zorgen voor een consistente beantwoording met merkherkenning, evidente feitelijke drift verminderen en interne support- of salesassistenten minder generiek maken.

De businesscase is eenvoudig: minder rekenkracht, snellere iteraties. Een 7B-model met LoRA-adapters kan vaak binnen enkele uren op één GPU worden afgestemd, niet in dagen. Dat verschil bepaalt of je een lancering deze week kunt ondersteunen of niet.

Hoe implementatie er meestal uitziet

• Begin met een vooraf getraind open-weight model.
• Houd het basismodel bevroren.
• Voeg adapterlagen toe met een PEFT-framework zoals Hugging Face peft.
• Train op gestructureerde merkdata: FAQ’s, supporttickets, productdocumentatie, beleidspagina’s en goedgekeurde messaging.
• Evalueer op prompts die je vooraf apart hebt gehouden voor feitelijke nauwkeurigheid, gedrag rond citaties en naleving van beleid.

Typische trainingssets zijn 3.000 tot 30.000 voorbeelden. Veelgebruikte LoRA-instellingen zien er nog steeds bekend uit: r=8 tot 16, alpha=16 tot 32, 3 tot 5 epochs. De exacte getallen zijn minder belangrijk dan de kwaliteit van de data. Slechte bronmateriaal levert een gepolijste leugenaar op.

Waar het past in een echte SEO-stack

Dit is geen workflow van Ahrefs of Semrush. Het staat naast je SEO-stack, niet ín de stack. Je gebruikt nog steeds Google Search Console om verschuivingen in zoekopdrachten te signaleren, Screaming Frog om broncontent te auditen en tools zoals Ahrefs, Moz en Semrush om de dekking van entiteiten en de taal van concurrenten te begrijpen. Daarna bepaal je welke kennis je moet versterken in het model.

Surfer SEO kan helpen om broncontent te standaardiseren, maar het vertelt je niet of een afgestemd model waarheidsgetrouw is. Menselijke evaluatie blijft daarom belangrijk.

De kanttekening die het merendeel van de teams mist

Delta fine-tuning is geen vervanging voor retrieval. Het is zwak in het actueel houden van snel veranderende feiten, vooral over prijzen, voorraad, juridische termen en alles wat wekelijks wijzigt. Voor dat soort actualiteit wint een RAG-laag het meestal van meer tuning.

Er is nog een ander probleem: betere merkafstemming kan aanvoelen als betere performance, terwijl het in werkelijkheid het aantal zeker klinkende hallucinaties verhoogt. Google’s John Mueller bevestigde in 2025 dat AI-gegenereerde systemen nog steeds sterke bronverankering en duidelijke validatie nodig hebben, en dat geldt hier net zo. Als je een antwoord niet kunt herleiden naar een bijgehouden bron, is tuning alleen niet genoeg.

Gebruik delta tuning voor voice, framing en stabiele domeinkennis. Gebruik retrieval voor actualiteit. Teams die die taken scheiden krijgen meestal betere output en maken minder dure fouten.