> Bron: https://neuralex.nl/blog/embeddings-nederlandse-tekst
> Er is geen embeddingmodel dat zonder eigen test objectief "het beste voor Nederlands" is. Modellen als E5-NL, Qwen3 Embedding, Jina Embeddings v5, BGE-M3 en multilingual-e5 zijn kandidaten — de MTEB-NL-benchmark en een eigen retrievaltest bepalen de winnaar.

[Terug naar kennisbank](/blog)

RAG ·29 augustus 2026 ·7 min lezen

# Embeddings kiezen: welk model begrijpt Nederlandse tekst het best?

Er is geen embeddingmodel dat zonder eigen test objectief "het beste voor Nederlands" is. Modellen als E5-NL, Qwen3 Embedding, Jina Embeddings v5, BGE-M3 en multilingual-e5 zijn kandidaten — de MTEB-NL-benchmark en een eigen retrievaltest bepalen de winnaar.

Er is momenteel geen embeddingmodel dat je zonder eigen test objectief "het beste voor Nederlands" kunt noemen. Voor een Nederlandstalige RAG-kennisbank zijn modellen die expliciet op Nederlands zijn afgestemd, zoals de recente E5-NL-familie, zeer relevante kandidaten, maar sterke meertalige modellen zoals Qwen3 Embedding, Jina Embeddings v5, BGE-M3 en multilingual-e5 horen eveneens op de shortlist. Bij gehoste API's zijn onder meer OpenAI text-embedding-3-large, Cohere Embed v4 en Voyage 4 relevante opties. De uiteindelijke keuze moet worden bepaald door retrieval op je eigen documenten, niet door één algemene leaderboardpositie.

Dat is extra belangrijk sinds er een aparte MTEB-NL-benchmark bestaat. MTEB-NL meet embeddingkwaliteit specifiek op Nederlandse taken, waaronder retrieval, clustering, classificatie, reranking en semantische overeenkomst. Het bijbehorende ACL 2026-onderzoek introduceerde ook de E5-NL-modellen en benadrukt dat Nederlands in algemene meertalige resources relatief weinig vertegenwoordigd is. Een algemene MTEB-ranking blijft nuttig, maar voor Nederlandse RAG is MTEB-NL een relevantere referentie. Rangschikkingen veranderen bovendien snel en moeten altijd actueel worden gecontroleerd.

## Waarom embeddings de kwaliteit van RAG bepalen

Een embeddingmodel zet tekst om in een numerieke vector die de betekenis van die tekst probeert te representeren. Een [RAG-systeem](/blog/rag-uitgelegd) maakt embeddings van documenten of documentchunks en vergelijkt die met de embedding van een gebruikersvraag. De passages waarvan de vectoren het dichtst bij de vraag liggen, worden naar het taalmodel gestuurd als context.

Daarmee zit het embeddingmodel vóór het generatieve model in de keten. Als retrieval de verkeerde passages selecteert, kan zelfs een uitstekend taalmodel het juiste antwoord missen omdat de relevante informatie nooit in zijn context terechtkomt. Chunking, metadatafilters, hybrid search en reranking zijn eveneens belangrijk, maar slechte embeddings kun je daarmee slechts gedeeltelijk compenseren.

## Nederlands is niet gewoon Engels met andere woorden

Een model dat uitstekend scoort op Engelse retrieval hoeft niet automatisch even goed te zijn in Nederlands. Engelse tekst is doorgaans veel sterker vertegenwoordigd in trainingsdata. Bovendien heeft Nederlands eigen syntactische constructies, woordvolgorde, vakterminologie en lange samenstellingen. Subword-tokenizers kunnen woorden als arbeidsongeschiktheidsverzekering technisch opdelen, maar daarmee is nog niet gegarandeerd dat het model de semantische relatie met bijvoorbeeld inkomensverzekering of dekking bij langdurige ziekte goed representeert.

Hetzelfde geldt voor regionale en sectorspecifieke taal. Nederlandse en Vlaamse formuleringen kunnen verschillen, terwijl juridische, medische of technische kennisbanken veel begrippen bevatten die nauwelijks voorkomen in algemene datasets. Daarom zegt "multilingual" vooral dat een taal wordt ondersteund, niet dat alle ondersteunde talen dezelfde retrievalkwaliteit krijgen.

## Engels, meertalig of specifiek Nederlands

Puur Engelstalige embeddingmodellen zijn getraind en geëvalueerd met Engels als primaire taal. Cohere biedt bijvoorbeeld naast zijn meertalige modellen expliciet English-only varianten. Zulke modellen kunnen Nederlandse tekst soms redelijk verwerken, maar voor een voornamelijk Nederlandse corpus is er weinig reden om die taalbeperking te accepteren zonder overtuigende eigen testresultaten.

Een tweede categorie bestaat uit meertalige modellen. multilingual-e5-large ondersteunt ongeveer honderd talen en is opgebouwd vanuit een meertalige XLM-RoBERTa-basis. BGE-M3 ondersteunt eveneens meer dan honderd talen en is interessant voor RAG omdat het naast dense retrieval ook sparse en multi-vector retrieval ondersteunt.

Daar zijn inmiddels nieuwere kandidaten bij gekomen. De Qwen3 Embedding-familie bestaat uit verschillende modelgroottes, ondersteunt meer dan honderd talen en laat de uitvoerdimensie binnen bepaalde grenzen aanpassen. Jina Embeddings v5-text is eveneens expliciet meertalig; de huidige small-variant ondersteunt volgens de modeldocumentatie meer dan honderd talen en flexibele, verkleinde embeddings.

Voor specifiek Nederlands is E5-NL bijzonder interessant. De CLiPS-collectie bevat onder meer e5-small-trm-nl, e5-base-trm-nl en e5-large-trm-nl. Deze modellen zijn gericht op Nederlandse embeddings en worden samen met MTEB-NL ontwikkeld en geëvalueerd. Volgens de gepubliceerde collectie behoren de varianten tot de sterkste modellen binnen hun eigen grootteklasse op MTEB-NL. Dat maakt ze interessante open modellen voor lokale deployment, maar niet automatisch winnaar voor iedere Nederlandse kennisbank.

## Welke API-modellen zijn relevant?

Wie embeddings liever als API afneemt, heeft andere kandidaten. OpenAI positioneert text-embedding-3-large als zijn krachtigste embeddingmodel voor zowel Engelse als niet-Engelse taken. Het model kan embeddings tot 3072 dimensies produceren en ondersteunt verkorting via de dimensions-parameter.

Cohere Embed v4 ondersteunt meer dan honderd talen en kan embeddings met verschillende dimensies produceren. Voyage 4 en voyage-4-large zijn huidige general-purpose modellen die expliciet voor meertalige retrieval worden aangeboden en eveneens meerdere vectorafmetingen ondersteunen.

Dat zijn goede kandidaten voor een praktijktest, maar "API-model" is geen kwaliteitscategorie. Een groot commercieel model kan beter presteren dan een lokaal model, maar een compact Nederlands model kan op jouw specifieke Nederlandse corpus juist winnen.

## Test retrieval op je eigen kennisbank

De beste selectieprocedure is verrassend eenvoudig: bouw een kleine vaste evaluatieset. Neem representatieve gebruikersvragen en leg per vraag vast welk document of welke passage daadwerkelijk gevonden moet worden. Gebruik echte formuleringen, inclusief synoniemen, afkortingen, spelfouten en vragen waarbij de woorden uit de vraag niet letterlijk in het antwoord voorkomen.

Laat vervolgens ieder kandidaatmodel exact dezelfde chunks embedden en meet hoeveel relevante passages in bijvoorbeeld de eerste paar resultaten terechtkomen. Metrics zoals Recall@k, precision@k, MRR en nDCG kunnen daarbij helpen. Kijk daarnaast handmatig naar de fouten: haalt het model documenten op die alleen dezelfde woorden bevatten, of begrijpt het werkelijk de betekenis?

Test ook de complete retrievalpipeline. Een model dat standalone iets minder scoort kan met BM25, metadatafilters en een goede reranker uiteindelijk betere RAG-resultaten leveren.

## API of on-prem

Een API-model is operationeel eenvoudig. Je hoeft geen embedding-infrastructuur te beheren en betaalt doorgaans naar gebruik, vaak uitgedrukt per miljoen tokens. Daar staan externe verwerking, netwerkafhankelijkheid, mogelijke latency en doorlopende gebruikskosten tegenover.

Een open model zoals E5-NL, multilingual-e5, BGE-M3, Qwen3 Embedding of bepaalde Jina-modellen kan lokaal of in een gecontroleerde private omgeving draaien — vergelijkbaar met de afwegingen bij [air-gapped AI](/blog/air-gapped-ai). Dat kan aantrekkelijk zijn wanneer documenten de organisatie niet mogen verlaten. Er is dan geen externe tokenprijs per embeddingrequest, maar rekenkracht, geheugen, deployment, monitoring en beheer zijn niet gratis.

Privacy- of on-premise-eisen kunnen daarom de kandidatenlijst al verkleinen voordat de eerste benchmark wordt uitgevoerd.

## Dimensies en kosten tellen ook mee

Meer dimensies betekenen grotere vectoren. Dat beïnvloedt de opslagruimte van de vectorindex, het geheugenverbruik en soms de snelheid van nearest-neighbour-search. Moderne modellen ondersteunen daarom steeds vaker Matryoshka-achtige of configureerbare embeddings waarmee bijvoorbeeld een kleinere vector kan worden gekozen in ruil voor mogelijk enig kwaliteitsverlies.

Vergelijk bij API's daarom niet alleen retrievalkwaliteit, maar ook de actuele prijs per miljoen tokens. Bij lokale modellen moet je dezelfde berekening vertalen naar infrastructuurkosten en throughput. Een marginaal beter model kan economisch oninteressant worden wanneer het veel zwaardere hardware of een veel grotere vectorindex vereist.

Bedenk bovendien dat overstappen van embeddingmodel meestal betekent dat het hele corpus opnieuw moet worden geëmbed. Vectoren van verschillende modellen horen normaal gesproken niet in dezelfde semantische ruimte. Modelkeuze is daardoor ook een architectuurkeuze.

## Conclusie

Voor Nederlandse RAG bestaat geen permanente nummer één. E5-NL verdient door zijn specifieke Nederlandse training en MTEB-NL-evaluatie nadrukkelijk een plek in iedere lokale shortlist, terwijl sterke meertalige families zoals Qwen3 Embedding, Jina Embeddings v5, BGE-M3 en multilingual-e5 goede alternatieven zijn. Voor managed gebruik zijn OpenAI, Cohere en Voyage relevante API-opties. Gebruik MTEB en vooral MTEB-NL om kandidaten te selecteren, maar laat een eigen Nederlandse retrievaltest de winnaar bepalen. En controleer de leaderboards opnieuw wanneer je daadwerkelijk kiest: in embeddingmodellen kan een ranglijst van enkele maanden oud al achterhaald zijn.

RAG die begrijpt wat er gevraagd wordt

## Twijfel je welk embeddingmodel bij jouw Nederlandse kennisbank past?

Wij bouwen en testen RAG-architecturen op basis van jouw eigen documenten en vragen — inclusief een eigen retrieval-evaluatie in plaats van een generieke leaderboardclaim.

[Stel je vraag](/contact) [Lees hoeveel documenten je nodig hebt](/blog/hoeveel-documenten-voor-rag)

---
Volledige (opgemaakte) versie: https://neuralex.nl/blog/embeddings-nederlandse-tekst