LFM2.5-2.6B-Base: de stilste release van Liquid AI is degene die fine-tuners eigenlijk wilden

Lees op 5 augustus 2026 de tellers van Hugging Face, en de kloof is moeilijk te missen: LFM2.5-2.6B, het agentische on-device model dat Liquid AI op 4 augustus lanceerde, staat op 47.393 downloads. LFM2.5-2.6B-Base, het voorgetrainde checkpoint waar elk van die gewichten van afstamt, staat op 151. Dezelfde organisatie, dezelfde architectuur, dezelfde week, een 314-tegen-1-verhouding.

Het basis-checkpoint is niet gelekt en het is ook niet verborgen. Het verscheen in Liquid's lanceerbericht in precies één parenthese — "De basis- (LFM2.5-2.6B-Base) en nagetrainde (LFM2.5-2.6B) modellen zijn vandaag beschikbaar op Hugging Face" — en dat is het volledige gepubliceerde verslag ervan. Geen eigen benchmarks, geen sectie, geen aparte kaart. Alles hieronder is rechtstreeks van de repository afgelezen — de modelkaart, config.json, het LICENSE-bestand en de Hugging Face API — plus rekenwerk dat we zelf hebben gedaan. Waar een getal afkomstig is uit Liquid's eigen evaluaties, zeggen we dat, omdat voor dit specifieke checkpoint het belangrijkste feit is hoe weinig er daadwerkelijk is gemeten.

Dat belangrijker is dan een voetnoot doet vermoeden. Een post-getraind model kun je beoordelen door het uit te proberen. Een basis-checkpoint is een aanbod om twee weken en een GPU-budget te besteden voordat je iets leert, dus de voorwaarden van dat aanbod — wat het bevat, waarvoor het is gelicentieerd, wat er is geëvalueerd — vormen de hele beslissing.

Wat zit er eigenlijk in de repository?

Negen bestanden, één gewichtsshard, geen modelleercode. De specificatielijst van de kaart, geverifieerd tegen config.json:

• 2.69B totale parameters, bfloat16, in één 5.39 GB model.safetensors. Plan opslag en VRAM op basis van dat getal, niet op basis van "2.6B."

• 30 lagen, hybride. De kaart zegt 22 dubbelgepoorte korte convolutieblokken plus 8 GQA-aandachtslagen. De layer_types array in config.json bevestigt dit exact: 22 vermeldingen van conv en 8 van full_attention, de aandachtslagen ongeveer om de derde of vierde blok verspreid in plaats van geclusterd.

• 2048 verborgen breedte, 10752 intermediair, 32 aandachtskoppen over 8 sleutel-waarde koppen — een 4-op-1 GQA-verhouding — met gedeelde invoer- en uitvoer-embeddings en een rope-theta van 10,000,000.

• vocabulaire van 128.000 tokens en een tokenizer van 18 MB erbij. Liquid heeft het vocabulaire in deze generatie verdubbeld, wat een aanzienlijke kostenpost is bij 2,6B: met gedeelde embeddings is alleen al de vocabulaire-tabel goed voor ongeveer 262M van het parameterbudget, bijna een tiende van het model.

• 34 biljoen trainings-tokens.Dat is een ongewoon lange pre-training run voor deze grootteklasse, en het is veruit de sterkste reden om de checkpoint überhaupt te bekijken.

• 16 talen aangegeven: Engels, Arabisch, Chinees, Frans, Duits, Hindi, Indonesisch, Italiaans, Japans, Koreaans, Pools, Portugees, Russisch, Spaans, Thais en Vietnamees.

Eén inconsistentie voor iedereen die met lange contexten wil werken: de kaart adverteert een contextlengte van 131.072 tokens, terwijl config.json instelt max_position_embeddings op 128.000. Liquid's eigen blog en documentatie vermelden beide 128K. Het verschil van 3.072 tokens zal voor de meeste mensen niet uitmaken, maar als je een trainingsscript schrijft dat sequenties inpakt tot het geadverteerde maximum, vertrouw de configfile boven de kaart.

De architectuurstring is de praktische titel: model_type is lfm2 en de klasse is Lfm2ForCausalLM — dezelfde klasse waarmee LFM2 werd geleverd. LFM2.5 is uitgebreide pre-training en nieuwe post-training op een bestaande architectuur, niet op een nieuwe, dus er is hier geen aangepaste modelcode nodig. Daarom ondersteunden llama.cpp, vLLM, MLX, ONNX Runtime, SGLang en LM Studio deze familie vanaf dag één, en waarom het fine-tuning pad via Unsloth en TRL zonder patches werkt. Je hebt behoefte aan transformers>=5.0.0.

De kaart die je krijgt is de kaart van het andere model.

Open de basisrepository en de eerste kop is "LFM2.5-2.6B" — de naam van het post-getrainde model, niet degene waar je naar kijkt. Dit is geen muggenzifterij; de hele pagina leest als de instructkaart met een basisparagraaf erin verwerkt, en drie van de achtergelaten artefacten kunnen je behoorlijk wat tijd kosten.

• In de YAML-frontmatter staat base_mode: LiquidAI/LFM2.5-2.6B-Base. Twee problemen in één regel: de sleutel is een verkeerde spelling van Hugging Face's base_model, en daarmee wordt de basisrepository naar zichzelf verwezen. Er gaat niets kapot, maar de modelboom-links die je zou verwachten van een correct gedeclareerde afstamming worden hierdoor niet gegenereerd.

• De repository is getagd als conversational en bevat een chat_template.jinja, dus Hugging Face toont een 'Chat template'-badge op een checkpoint dat nooit instruction-getuned is. Een template bestaat omdat de tokenizerconfiguratie is overgenomen, niet omdat de weights weten wat ze ermee moeten doen.

• Het quick-start fragment gebruikt vervolgens dat sjabloon. Het Python-voorbeeld op de basiskaart gebruikt tokenizer.apply_chat_template met een {"role": "user"} bericht en vraagt "Wat is C. elegans?" — de klassieke manier om een basismodel er defect uit te laten zien. Wikkel een ruw voorgetraind checkpoint in chatbeurten en je krijgt afdwalende, zich herhalende, zichzelf voortzettende tekst, en het is gemakkelijk om dat te lezen als een slecht model in plaats van het verkeerde promptformaat. Prompt dit model als een tekstaanvuller, few-shot, met stopsequenties die je zelf bepaalt.

• De variantentabel vermeldt alleen de post-trained lijn — LFM2.5-2.6B, plus de GGUF-, ONNX- en MLX-builds. Er is helemaal geen GGUF- of MLX-build van de basis-checkpoint, dus "draai het vanavond lokaal in LM Studio" is geen optie, tenzij je het zelf converteert.

Hugging Face meldt ook dat geen enkele inference-provider dit repository aanbiedt. Er is nergens een gehost endpoint voor de base-checkpoint; als je de logits wilt, huur je de GPU.

De benchmarksectie die niet bestaat

Er is geen enkel evaluatiecijfer gepubliceerd voor LFM2.5-2.6B-Base. Geen MMLU, geen MMLU-Pro, geen GPQA, geen HellaSwag, geen ARC, geen perplexity-cijfer — niets, op geen van Liquids drie platformen (de modelkaart, het lanceringsbericht, de documentatie). Voor een basis-checkpoint is dat een opvallende afwezigheid, want die kennis- en redeneerscores zijn precies hoe je beoordeelt of 34T tokens aan pre-training je iets hebben opgeleverd dat het fine-tunen waard is.

Wat er wél bestaat, is afkomstig van het post-getrainde zustermodel, wordt gerapporteerd door Liquid en is niet onafhankelijk gereproduceerd. In de eigen evaluaties van Liquid scoort LFM2.5-2.6B 51,87 op AIME25, 59,17 op IFBench, 80,07 op Multi-IF, 56,88 op BFCLv4, 77,83 op ToolSandbox en 26,89 op BrowseComp+ binnen de OpenClaw-harness, afgezet tegen gemma-4-E2B-it (5,1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4,7B) en Qwen3.5-9B (9,7B). De samenvatting van Liquid is dat het op elke instructieopvolging-benchmark en bijna elke toolgebruik-benchmark bovenaan staat, en de eigen grafiek is eerlijk over de uitzonderingen: Qwen3.5-9B staat voorop op AIME25 met 56,07 en op BFCLv4 met 60,13. Snelheidsclaims volgen dezelfde regel — een decodesnelheid van 220 tokens/s op een M5 Max, 113 op een Ryzen AI Max+ 395, ongeveer 30 op een telefoon, minder dan 2,5 GB geheugen, en ruwweg 15K output tokens/s bij hoge gelijktijdigheid op één H100 — allemaal door de leverancier gemeten, nog door niemand anders geverifieerd.

De valkuil is om aan te nemen dat daarvan iets overgaat. Die scores zijn het product van een vierfasenpijplijn die is toegepast bovenop deze checkpoint: twee rondes van supervised fine-tuning, per-domein teacher-specialisatie, multi-domein on-policy distillatie, daarna agentische reinforcement learning met GRPO, uitgevoerd in echte harnesses. Tool-calling en instruction-following zijn precies de gedragingen die die pijplijn aanbrengt. Neem de basisgewichten en je begint vóór dat alles. Wat je erft is de pre-training — de talen, de wereldkennis, de long-context-capaciteit, de efficiënte hybride architectuur — en je moet ervan uitgaan dat je niets van het agentische scorebord erft.

151 downloads is niet zomaar vroeg — het wijkt af van het eigen patroon van de familie.

Liquid brengt routinematig basis-checkpoints uit, dus deze release is op zich niet opmerkelijk. Het is de verwaarlozing die meetbaar is. Door elke LFM2.5-basisrepository op dezelfde dag te vergelijken met zijn instruct-tegenhanger, ontstaat een duidelijke huisnorm — en één duidelijke uitschieter.

• LFM2.5-230M — 58.676 downloads tegenover 6.982 voor het basismodel: ongeveer 8 tegen 1.

• LFM2.5-350M — 94.526 tegen 9.397: ongeveer 10 tegen 1.

• LFM2.5-1.2B — 583.914 voor de Instruct-build tegen 17.867 voor de basis: ongeveer 33 tegen 1.

• LFM2.5-8B-A1B — 171.520 tegen 3.996: ongeveer 43 tegen 1.

• LFM2.5-2.6B — 47.393 tegen 151: ongeveer 314 tegen 1.

Dat is deels gewoon leeftijd; de baserepository is op 1 augustus aangemaakt en het instructmodel had een voorsprong van vier dagen plus een lanceringsbericht. Maar de oudere basis-checkpoints in deze familie kwamen uit tussen 8-op-1 en 43-op-1, dus een orde van grootte voorbij de slechtste daarvan is een echte anomalie in plaats van een afrondingsartefact van een nieuwe repository.

De likes vertellen een subtieler verhaal. De basisrepository heeft 28 likes tegenover 151 downloads — ruwweg één bladwijzer voor elke vijf downloads. Het instructmodel heeft 232 likes tegenover 47.393, ongeveer één op de 204. Mensen markeren het basischeckpoint om er later op terug te komen, niet om het te downloaden. Twee community-finetunes en zeven kwantisaties bestaan al in de modelboom, en dat is hoe de voorhoede van adoptie eruitziet voordat het volume arriveert.

"Zonder beperkingen" is niet wat de licentie zegt.

De lanceerpagina van Liquid beschrijft de release als open-weight: "Download, fine-tune, en implementeer zonder beperkingen." Het bestand in de repository zegt iets beperkters, en dit is het gedeelte dat je twee keer moet lezen als je overweegt een product op deze gewichten te bouwen.

De licentie is LFM Open License v1.0 — niet Apache-2.0, niet MIT, en niet dezelfde voorwaarden als de meeste kleine open-weight modellen waarmee je het waarschijnlijk vergelijkt. Om het bestand rechtstreeks te citeren: Sectie 5 heeft als titel "Beperking van Commercieel Gebruik" en luidt: "De rechten die onder deze Licentie voor Commercieel Gebruik worden verleend, zijn onderworpen aan de voorwaarde dat U of Uw Rechtspersoon de Drempelwaarde niet overschrijdt," gevolgd door "Elk Commercieel Gebruik van het Werk of een Afgeleid Werk door een Rechtspersoon die de Drempelwaarde overschrijdt, is niet onder deze Overeenkomst in licentie gegeven." Sectie 1 definieert de Drempelwaarde als "een jaarlijkse omzet van 10 miljoen Amerikaanse dollars ($10.000.000) of meer."

Dus de praktische lezing:

• Onder $10M aan jaarlijkse omzet — u beschikt over een brede, eeuwigdurende, royalty-vrije licentie die reproductie, afgeleide werken, distributie en sublicenties dekt, inclusief commercieel gebruik.

• Bij of boven $10M — commercieel gebruik is niet in licentie gegeven onder deze overeenkomst. Niet "vereist naamsvermelding," niet "vereist kennisgeving." Je moet contact opnemen met Liquid, wat waarschijnlijk de reden is dat de kaart eindigt met een link naar hun verkoopteam.

• Afgeleide werken erven de beperking. Je fine-tuning van dit checkpoint is een Afgeleid Werk, dus een model dat je drie maanden traint, brengt dezelfde omzetvoorwaardelijke rechtenverlening met zich mee. Als je bedrijf de drempel overschrijdt — of wordt overgenomen door een bedrijf dat die al heeft overschreden — veranderen de voorwaarden waarvan je product afhankelijk is, onder je voeten.

• Gekwalificeerde non-profitorganisaties zijn uitgezonderd: de drempel is niet van toepassing op een 501(c)(3) of buitenlands equivalent dat het werk gebruikt voor niet-commerciële of onderzoeksdoeleinden. De gebruikelijke verplichtingen blijven ook van toepassing — geef de licentie door, behoud de naamsvermeldingen, markeer bestanden die je hebt gewijzigd.

Niets van dit alles maakt de release gierig; een drempel van $10M vrijwaart bijna elke startup en elke onderzoeker, en het is een legitieme manier om gewichten te publiceren. Maar "zonder beperkingen" is marketingtaal die de licentie tegenspreekt, en de tegenstelling bijt het hardst precies hier. Het finetunen van een basis-checkpoint is de duurste, minst omkeerbare manier om een model te adopteren. Dat is de slechtste plek om een omzetclausule te ontdekken.

Wie moet dit checkpoint eigenlijk nemen?

De eigen richtlijn van Liquid is verfrissend beperkt en de moeite waard om te volgen. De kaart zegt: het vooraf getrainde checkpoint is "alleen aanbevolen voor taken die zware fine-tuning vereisen, zoals taalspecifieke (bijv. Japanse) of domeinspecifieke (bijv. medische) assistenten, training op propriëtaire data, of het experimenteren met nieuwe post-trainingsbenaderingen." Dat woord "alleen" doet echt werk. Als je een on-device-agent wilt die tools aanroept, is de post-trained LFM2.5-2.6B strikt genomen het betere startpunt en het basis-checkpoint zal je maand verspillen.

De gevallen waarin het echt de juiste keuze is:

• Een taal die door de post-training onderbediend wordt. 34T tokens verspreid over 16 talen vormt een sterke meertalige basis, en Liquid heeft het patroon intern al bewezen met een Japanse build in de 1.2B-lijn. Voortgezette pre-training op jouw taal, gevolgd door je eigen instructie-tuning, voorkomt dat je moet vechten tegen een persona die tijdens de post-training op het Engels is gericht.

• Een gereguleerde verticale markt met propriëtaire data. Onder 2,5 GB bij inferentie, geen cloudafhankelijkheid en een voldoende permissieve licentie onder de omzetdrempel is een zeldzame combinatie voor medische, juridische of industriële implementaties waarbij de gegevens het apparaat niet mogen verlaten.

• Post-trainingonderzoek. Liquid publiceerde zijn recept — SFT, teacher specialisatie, MOPD, agentic RL — en leverde vervolgens de exacte input voor dat recept samen met de output. In staat zijn om je eigen methode te draaien op dezelfde startgewichten en te diffen tegen een sterke referentie-implementatie is ongebruikelijk en waardevol.

• Distillatiedoelen. Een 2.6B-hybride die op een laptop met 220 tokens/s decodeert, is een aantrekkelijke student voor het comprimeren van een veel grotere leraar tot iets dat uitgebracht kan worden.

Dat laatste paar is waar de kosten daadwerkelijk neerslaan, en dat zijn geen GPU-uren — het is data. De pipeline van Liquid draait op teacher-specialisatie en on-policy distillatie, wat betekent dat de echte voorwaarde om zoiets te reproduceren een grote hoeveelheid gegenereerde data van sterkere modellen is, plus voorkeursparen en rollouts met verifieerbare beloningen. Dat is een klus met veel modellen voordat het een trainingsklus is: je wilt kandidaat-leraren vergelijken op jouw domein, en dan op volume genereren met degene die wint. Dat is het deel van het werk waar ons eigen product op gericht is — OrcaRouter plaatst 200+ modellen achter één API-sleutel met 0% opslag, zodat wat je betaalt voor een synthetische SFT-set de lijstprijs van de aanbieder is in plaats van een routeringsopslag (wanneer een leverancier prijzen verlaagt, komt dat dezelfde dag bij ons terecht), automatische failover zorgt dat een generatierun van twintig uur niet sterft op een slecht uur van één aanbieder, en de routerings-DSL laat je één enkele prompt uitzetten over meerdere leraren en het beste antwoord behouden. Om duidelijk te zijn over wat we niet aanbieden: LFM2.5-2.6B-Base staat niet op OrcaRouter en geen enkele inferentieprovider host het — je draait deze gewichten zelf. Wij zijn nuttig voor de leraren, niet voor de student.

Dezelfde tweedeling is het waard om in gedachten te houden bij wat je ook uitbrengt. Liquid's bericht stelt dat lokale agenten inferentie gratis maken en de kosten per token als beperking wegnemen, wat geldt voor het marginale token en niet voor de totale rekening — die heb je al vooruitbetaald in hardware, en een 2.6B-model heeft nog steeds een plafond. Liquid zegt dat zelf ook en raadt deze familie af voor code-intensief of kennisintensief agentisch werk. Het duurzame patroon is een fijn afgesteld lokaal model dat het veelvoorkomende pad met hoog volume op het apparaat afhandelt en de lastige minderheid escaleert naar een frontiermodel via een API, wat de privacy- en latentiewinst behoudt waar die ertoe doen, zonder te doen alsof 2.6B parameters alles kunnen.

Het pad van deze gewichten naar iets bruikbaars

Het lanceerbericht zegt hier niets over, maar de base-modelkaart bevat stilletjes het meest praktische van de hele repository: zeven kant-en-klare Colab-notebooks die de exacte pijplijnfasen behandelen die een base-checkpoint nodig heeft. Twee daarvan zijn voortgezette pre-training — één voor tekstvoltooiing, één voor vertaling — de stap die alleen zin heeft vanuit base-gewichten en waar niemand tutorials over schrijft. De rest behandelt gesuperviseerde fine-tuning via Unsloth en TRL, DPO via TRL, en GRPO via beide. Liquid levert ook LEAP Finetune als eigen trainingsstack als je er liever niet zelf een in elkaar zet.

Wanneer we Liquids fine-tuning-documentatie afzetten tegen de vorm van dit model, ziet de realistische volgorde er als volgt uit:

• Prompt het eerst als completer, voordat je iets traint. Negeer de chat-template op de kaart. Few-shot, ruwe tekst, je eigen stop-sequenties. Zo kom je erachter of de pre-training je domein en taal al dekt, wat bepaalt of je überhaupt verdere pre-training nodig hebt of direct naar SFT kunt gaan.

• Ga alleen door met pre-training als je kennis of een taal toevoegt. Dit is de dure tak — op corpus-schaal, niet op voorbeeld-schaal — en het enige dat het post-getrainde zustermodel je echt niet kan geven.

• Vervolgens SFT met LoRA, op 500 tot 5.000 voorbeelden.De eigen richtlijn van Liquid is dat kwaliteit en spreiding belangrijker zijn dan volume en dat de voorbeelden moeten overeenkomen met productie-inputs. Bij 2,6B is een LoRA-pass kort: de documentatie schat een run met 1,2B op minuten tot tientallen minuten op één moderne GPU, dus deze omvang is nog steeds een middagronde.

• Bevries een gereserveerde set voordat je traint. Bot, en juist voor dit checkpoint de moeite waard om te herhalen, omdat er geen gepubliceerde baseline is om mee te vergelijken — je eval-set is het enige getal dat iemand heeft.

• Voorkeurs- of RL-fasen komen als laatste, en alleen als gedrag het probleem is. Er bestaan DPO- en GRPO-recepten voor de familie, maar ze zijn een verfijning bovenop een model dat al antwoordt; ernaar grijpen voordat SFT er is, is hoe base-checkpoint-projecten vastlopen.

Let op wat er niet op die lijst staat: niets hiervan vereist een aangepaste kernel, een gepatchte trainer of een modelleringsbestand. Omdat LFM2.5 de LFM2-architectuur hergebruikt, past de basis-checkpoint in de standaardstack, en bestaan de totale kosten van dit project uit het corpus en de evaluatieset die je ervoor bouwt.

Wat zou het beeld veranderen?

Drie dingen zijn het waard om in de gaten te houden, allemaal goedkoop voor Liquid om op te lossen en geen ervan is vandaag opgelost.

The first is base evaluations. A single MMLU-Pro or GPQA number on the pre-trained checkpoint would tell fine-tuners more than every agentic benchmark in the launch post combined, and the fact that 34T tokens went in makes its absence more curious, not less. The second is the card itself — a base repository whose heading names a different model, whose quick-start applies a chat template to a non-chat model, and whose frontmatter misspells base_model is a ten-minute fix that would stop people concluding the weights are broken when the instructions are. The third is the LFM2.5 technical report. The citation block points at arXiv 2511.23404, which is the LFM2 technical report from November 2025; the 2.5 generation's own paper is not out, so the pre-training data mix behind those 34T tokens remains undisclosed.

Tot die tijd is de eerlijke samenvatting dat dit een goed gespecificeerd, lang getraind, efficiënt vormgegeven 2.6B-basismodel is met een ongewoon duidelijke doelgroep, gepubliceerd zonder metingen en met een licentie met een omzetplafond, en tot nu toe heeft bijna niemand het uit de doos gehaald. Als je binnen de doelgroep valt die de modelkaart beschrijft, is het je GPU-tijd waard — en je zult tot de eersten ter wereld behoren die weten hoe goed het werkelijk is.

Vragen die het beantwoorden waard zijn

Is dit dezelfde checkpoint waarop LFM2.5-2.6B is nagetraind, of een aparte pre-training run?

De kaart vermeldt dat LFM2.5-2.6B-Base "het voorgetrainde tekst-only checkpoint is, gebruikt om alle LFM2.5-2.6B-varianten te creëren", dus het is de daadwerkelijke input voor de gepubliceerde pipeline in plaats van een parallelle of ingekorte release. Dat is wat het nuttig maakt voor post-trainingonderzoek: jouw methode en de vier fasen van Liquid starten vanaf identieke gewichten, dus een vergelijking daartussen is zinvol. Het is de moeite waard om op te merken dat de baserepository is aangemaakt op 1 augustus en voor het laatst is gewijzigd op 4 augustus, de lanceringsdag — controleer de commitgeschiedenis voordat je aanneemt dat het bestand dat je vroeg hebt gedownload, het bestand is dat is uitgebracht.

Kan ik het fine-tunen en het resultaat verkopen?

Als de jaarlijkse omzet van uw rechtspersoon lager is dan $10.000.000, dan is het antwoord ja — de LFM1.0-licentie dekt commercieel gebruik van afgeleide werken, op voorwaarde dat u de licentie- en naamsvermeldingen intact houdt en gewijzigde bestanden markeert. Bij of boven die drempel valt commercieel gebruik van het model of van alles wat ervan is afgeleid buiten de licentie en is een afzonderlijke regeling met Liquid nodig. De drempel is gekoppeld aan de omzet van uw entiteit, niet aan het model of de omzet die het genereert, dus dezelfde fine-tune kan voor het ene bedrijf gelicentieerd zijn en voor het andere niet, en een bedrijf dat die grens overschrijdt, behoudt niet de toekenning die het eerder had.

Waarom niet gewoon de post-getrainde LFM2.5-2.6B fine-tunen in plaats daarvan?

Voor de meeste projecten zou je dat moeten doen, en Liquid's kaart zegt dat feitelijk ook. De reden om vanuit de basis-checkpoint te starten, is wanneer de post-training tegen je werkt in plaats van voor je: zware voortgezette pre-training op een nieuwe taal of een specialistisch corpus beschadigt het instructie-getunede gedrag toch al, en weigeringspatronen, tool-call-conventies en responsstijl die door SFT en RL zijn ingebakken, zijn moeilijk te verwijderen en conflicteren snel. Als je kennis of een taal toevoegt, start dan vanaf de basis. Als je gedrag aan de randen bijstelt, start dan vanuit het post-getrainde model en behoud de vier fasen van werk waarvoor iemand al heeft betaald.