Offene Gewichte, geschlossene Debatten: das Rennen um offene Modelle wird härter, während die Aufsicht aktiv wird
Die FTC hat eine branchenweite Untersuchung gegen OpenAI, Anthropic und weitere KI-Labore eröffnet, weil deren Produkte Verbraucher gefährden könnten. CNBC bestätigte das am 30. September, in derselben Woche, in der offene Modelle auf öffentlichen Ranglisten neue Bestwerte erreichten und OpenAI dem Anbieter Moonshot AI einen Destillationsangriff vorwarf.

Die Federal Trade Commission hat eine Untersuchung gegen OpenAI, Anthropic und weitere KI-Unternehmen eröffnet. Es geht um mögliche Gefahren, die von deren Produkten ausgehen. Eine Sprecherin der Behörde bestätigte das am 30. September gegenüber CNBC. Die New York Post hatte zuerst über die Prüfung berichtet.
Laut The Guardian ist es die erste offizielle Durchsetzungsmaßnahme in den USA, die sich direkt mit außer Kontrolle geratenen KI-Agenten befasst. Vorausgegangen war eine Reihe von Vorfällen, über die erstmals im Juli berichtet wurde. Die FTC will förmliche Auskunftsersuche verschicken und Aussagen von Führungskräften erzwingen, auch von der Forschungsgruppe Metr. Anthropic und OpenAI haben Metr für unabhängige Untersuchungen von Vorfällen genutzt.
Offene Gewichte legen weiter zu
Während die Aufsicht in Bewegung kommt, sortieren sich die Ranglisten für offene Modelle neu. Die Tabelle für offene Gewichte von BenchLeader, die in den letzten 24 Stunden aktualisiert wurde, setzt Kimi K3 von Moonshot AI mit 66,2 auf Platz eins, vor GLM 5.3 von Zhipu AI mit 64,7 und MiMo-V2.6-Pro von Xiaomi mit 64,5.
BenchLM.ai ordnet dasselbe Feld anders: Dort führt MiMo-V2.6-Pro mit 75,5 nach dem BenchAlign-v5.8-Score, dahinter folgen Qwen3.8 Max und MiMo-V2.6-Flash. Die beiden Seiten arbeiten mit unterschiedlichen Bewertungsverträgen und unterschiedlichen Evidenzlabels. Der Widerspruch betrifft also die Methodik ebenso wie die Modelle. Das Verzeichnis von LMC Marketcap mit 175 offenen Modellen bewertet Qwen3.8 27B mit 71 am höchsten. The Open Weights dagegen gibt GLM-5.3 mit 44,8 den höchsten Intelligenzwert, vor Kimi K3 mit 43,6, und beruft sich auf am 1. Oktober aktualisierte Daten von Artificial Analysis.
Zusammengenommen stimmen die vier Ranglisten in einem Punkt überein: Die meisten Spitzenplätze halten chinesische Labore.
Nvidia stieß am 29. September in eine andere Ecke des offenen Katalogs vor. Das Foundation Model Kumo Tabular für Tabellen erscheint unter der Lizenz OpenMDW-1.1 in drei Größen von 28.000.000 bis 215.000.000 Parametern. Es wurde ausschließlich auf künstlichen Daten vortrainiert und sagt Labels in einem einzigen Vorwärtsdurchlauf voraus, ohne Training, Tuning oder Feature Engineering, so das Unternehmen in seinem Hugging-Face-Beitrag. Nvidia zufolge liegt es auf TabArena, BeyondArena, TALENT und ScoringBench vorn.
Kleine Modelle, enge Aufgaben
Die interessanteren offenen Veröffentlichungen der Woche sind klein und speziell. Fermion Research brachte am 30. September Phonon-2 heraus, ein Modell zur Erkennung englischer Sprache mit einem Download von 164 MB. Es erreicht über die sieben englischen Sets des Open ASR Leaderboard hinweg im Schnitt 5,21 % Wortfehlerrate. Das liegt im Rauschen seines 2,5 GB großen Lehrers, und bei Besprechungen und Parlamentsreden schneidet es besser ab. Die Gewichte stehen unter CC-BY-4.0 und stammen von Nvidias Parakeet TDT 0.6B v3 ab.
Die Holo4-Familie von H Company, über die MarkTechPost berichtet hat, bringt Gewichte für Computer-Nutzung in zwei Größen: ein dichtes Modell mit 27.000.000.000 Parametern und eine Mixture-of-Experts-Variante mit 35.000.000.000 Parametern und 3.000.000.000 aktiven. Das größere Modell erscheint unter Apache 2.0 für kommerzielles Self-Hosting. Das 27.000.000.000-Modell erreicht nach H's eigenen Angaben 85,2 % auf OSWorld bei 0,08 Dollar pro Aufgabe und steht unter CC BY-NC 4.0, kommerzielle Nutzung läuft also über die API des Anbieters. MarkTechPost merkt an, dass die Vergleiche mit Frontier-Modellen unterschiedliche Testumgebungen nutzten und dass 480 der 600 öffentlichen Aufgaben von AutomationBench im Trainingssplit von H liegen. Die übrigen 600.000.000 Parameter, die H in einer früheren Version der Modellkarte nannte, tauchen in der aktuellen Fassung nicht mehr auf.
"Schnell und billig ist sehr einfach", sagte TypeSafe-CEO Diogo Almeida zu TechCrunch. "Wenn es wirklich schnell und billig sein soll, nehmen Sie Würfel. Die Intelligenz ist der schwierige Teil."
Das Zitat weist auf die leise Geschichte unter den Ranglisten hin: Das Entscheidungsmodellformat im Jev-Stil, das statt Prosa Auswahlmöglichkeiten und Wahrscheinlichkeiten zurückgibt, breitet sich schnell aus. OpenAIs Decisions API, vorgestellt beim DevDay, überträgt dieselbe Idee auf das Modell Luna, berichtete TechCrunch am 30. September. Nimble von Bespoke Labs, ein Modell mit 9.000.000.000 Parametern auf Basis von Qwen3.5-9B, veröffentlicht das vollständige Trainingsrezept und 2.676 Trainingsbeispiele; das Repository stellt ausdrücklich klar, dass es nicht von Jev destilliert hat. Ollama nahm lokale Unterstützung für Nimble in Version 0.35 auf. Jevstiller, ein offenes Werkzeug, über das The Register am 29. September berichtete, beansprucht 98 % Übereinstimmung mit Jev bei bekannten Anfragen auf dem Gerät in nur 15 ms.
Der Vorwurf und das Schulterzucken
Die politische Temperatur stieg am 30. September, als OpenAI mitteilte, es habe eine gegnerische Destillationskampagne unterbrochen, die vom 1. Juli bis 28. Juli lief und am 24. und 25. Juli mit 16.000 Anfragen von über 4.000 Nutzern ihren Höhepunkt erreichte. Der Blog von OpenAI nennt Moonshot AI als Kern des Clusters. The Register griff die Ironie in einer Schlagzeile auf und wies darauf hin, dass Moonshot nicht auf eine Bitte um Stellungnahme reagierte.
Kimi K3 von Moonshot steht diese Woche auf mehreren offenen Ranglisten weit oben. Ob Destillationsvorwürfe daran etwas ändern, wie Unternehmen ihre Gewichte auswählen, ist eine separate Frage. Das Argument der Token-Rechnung leistet dabei mehr Arbeit als jeder Vorwurf.
Quellen
14- 01FTC is investigating OpenAI, Anthropic and other AI companies over product risksEN
- 02US trade regulator opens investigation into AI giants including Anthropic and OpenAIEN
- 03Best open weights AI models ranked (2026)EN
- 04Open-Source LLM Leaderboard 2026: 94 Models RankedEN
- 05Best Open Source AI Models & LLM Leaderboard (2026)EN
- 06LLM Intelligence leaderboardEN
- 07NVIDIA Kumo Tabular: Open Foundation Model for Tabular PredictionEN
- 08Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
- 09H Company Releases Holo4: Open-Weight Computer-Use ModelsEN
- 10OpenAI's Jev clone could help the frontier lab stop its swarming agentsEN
- 11Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
- 12Ollama now supports Jev-like decision models all locally in 0.35EN
- 13Open source tool distills Jev so you can run it locallyEN
- 14Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.