Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

Offene Gewichte sind kein Open Source, und die Lücke wird schwerer messbar

Ein Mozilla-Bericht kommt zu dem Ergebnis, dass die besten chinesischen Modelle mit offenen Gewichten etwa vier Monate hinter den führenden US-Angeboten zurückliegen. Kritiker halten dagegen, dass der Begriff "offene Gewichte" weit über das hinaus ausgedehnt wird, was die Definition der Open Source Initiative erlaubt.

KI & ModelleNachrichtLena BrandtVeröffentlicht: 27. September 20264 Min. LesezeitQuellen 4
Offene Gewichte sind kein Open Source, und die Lücke wird schwerer messbar

Der Mozilla-Bericht "State of Open Source AI" in Version 1.1 erschien am 15. September und stützt sich auf Daten mit Stand vom 1. September. Er zählt 16 nennenswerte offene Veröffentlichungen. Keine davon liefert das Rezept für die Trainingsdaten, das die Open Source AI Definition der Open Source Initiative verlangt. Das geht aus dem Bericht hervor, wie Tom's Hardware ihn beschreibt.

Diese Spannung liegt unter der Open-Weights-Nachrichtenlage dieses Monats. Ein Modell herunterzuladen ist einfach. Zu wissen, was darin steckt, oder es nachzubauen, ist es nicht.

Die Vier-Monats-Zahl und ihre Vorbehalte

Mozillas zentrale Aussage ist eine schrumpfende Lücke. Das beste offene Modell lag auf dem Artificial Analysis Intelligence Index drei Punkte hinter dem geschlossenen Spitzenreiter, bei 60 Prozent des Preises, und zwei Punkte hinter Claude Fable 5 bei 30 Prozent. Mozillas Anpassung an die METR-Daten zum Task-Horizont setzt die Lücke zwischen offen und geschlossen bei etwa 4,4 Monaten an, im Einklang mit der Vier-Monats-Schätzung von Epoch AI. Nach Mozillas Berechnung verdoppelt sich die offene Leistungsfähigkeit alle 3,9 Monate, bei geschlossenen Modellen alle 5,5 Monate.

Der Bericht stützt sich auf eine Umfrage von Mozilla und SlashData unter rund 1.400 Entwicklern, auf Verkehrsdaten von OpenRouter und auf Benchmark-Indizes Dritter. Mozilla tritt für offene Modelle ein, und TIME berichtete am 14. Juli, Mozilla-Technikchef Raffi Krikorian habe den Bericht als teilweise auch advocacy beschrieben. Mozilla erklärt, die Vier-Monats-Zahl und der Token-Preis von 30 Prozent seien API gegen API auf gehosteten Endpunkten und zum Listenpreis gemessen.

Bei der Hardware wird die Sache weniger schmeichelhaft. Die Grafik im Bericht selbst setzt das beste offene Modell, das auf einen Server passt, bei 52,6 an und das beste, das auf eine GPU passt, bei 40. Der Abstand zur Spitze beträgt 10 beziehungsweise 23 Punkte, eine größere Lücke, als vier Monate vermuten lassen. Der native MXFP4-Checkpoint von Kimi K3 umfasst etwa 1,56 TB über 96 Shards, und Mozillas Serving-Konfiguration listet 64 oder mehr Beschleuniger. Der Bericht nennt das offen, aber für die meisten, die es besitzen, nicht lauffähig.

Es gibt ein Gegenbeispiel. Thinking Machines' Inkling-Small steht unter Apache 2.0 und hat eine NVFP4-Version, die mit einer Untergrenze von 180 GB auf einen B300 passt.

Was "offen" bedeuten soll

Steven J. Vaughan-Nichols vom Register argumentierte am 15. September, die Branche missbrauche das Wort. Gewichte auf Hugging Face zu veröffentlichen und Entwickler sie auf ihren eigenen GPUs laufen zu lassen, sei Verbreitung offener Gewichte, nicht Open Source. Die Unterscheidung entscheide, ob man ein fertiges Netzwerk nur einsetzen oder das System, das es hervorgebracht hat, einsehen, reproduzieren, verändern und weitergeben könne, schrieb er.

Die OSI trifft die Unterscheidung direkt: "Open Weights refer to the final weights and biases of a trained neural network." Gewichte allein, ergänzt die OSI, legten nur "a fraction of the information required for full accountability" offen.

James Landay, Direktor des Stanford Institute for Human-Centered AI, sagte dem Register: "Offene Gewichte sind ein Fortschritt. Man kann das Modell herunterladen, auf dem eigenen Rechner laufen lassen und es aus den Datenpipelines anderer heraushalten. Aber man sieht weiterhin nicht, wie das Ding gebaut wurde, womit es trainiert wurde oder warum es sich so verhält, wie es sich verhält. Das ist kein offenes Modell. Das ist offene Verbreitung."

Landays Sorge ist konkret: Ohne Trainingsdaten oder ausführliche Dokumentation können Außenstehende nicht erkennen, welche Quellen verwendet wurden, welches urheberrechtlich geschützte oder private Material enthalten sein könnte, wie Daten ausgewählt oder entfernt wurden, welche Sprachen unterrepräsentiert waren, ob Benchmark-Daten ins Training gelangt sind oder welche Alignment-Methoden das Modell nach dem Pretraining geprägt haben.

Die Open Source AI Definition 1.0, im Oktober 2024 veröffentlicht, verlangt, dass Modellparameter einschließlich der Gewichte unter von der OSI anerkannten Bedingungen verfügbar gemacht werden, schreibt aber keinen rechtlichen Mechanismus vor. Luca Antiga, CTO von Lightning AI, hat gesagt, diese Behandlung hinterlasse "a gaping hole", das Lizenzen als Signal für tatsächliche Nutzbarkeit schwäche. Bruce Perens, Autor der ursprünglichen Open Source Definition, verurteilte die OSAID 2024 und sagte später, die OSI selbst sei inzwischen an Openwashing beteiligt. Bradley Kuhn von der Software Freedom Conservancy und Richard Fontana von Red Hat haben die Aufhebung der OSAID gefordert.

Praktische Fragen zur Memorisierung liegen unter all dem. Ein Paper von A. Feder Cooper, Mark A. Lemley und Mitautoren, im Mai 2025 bei arXiv eingereicht und bis Juli 2026 überarbeitet, umfasste über 3.000 Experimente mit 200 Büchern und 14 LLMs mit offenen Gewichten. Die meisten LLMs memorierten die meisten Bücher nicht, fanden die Autoren. Llama 3.1 70B aber memorierte einige Titel vollständig, darunter Harry Potter and the Sorcerer's Stone, so weit, dass sich das ganze Buch aus den ersten Worten fast wörtlich extrahieren ließ.

Unterdessen liefert das Ökosystem der offenen Gewichte weiter. Superwhisper veröffentlichte S1-mini, einen Text-Normalisierer mit 0,6 Mrd. Parametern für die Ausgabe von Spracherkennung, feinabgestimmt aus Qwen/Qwen3-0.6B unter Apache 2.0 plus einer Namensklausel. Er meldet 94,8 Prozent Token-Genauigkeit bei 7.519 zurückgehaltenen englischen Fällen und einen quantisierten Build von 462 MiB, der auf einer Laptop-CPU läuft.

Klein, herunterladbar und ausreichend dokumentiert, um zu laufen. Die Frage der Rechenschaftspflicht ist eine separate Datei.

Kommentare 0

Quellen

4
  1. 01China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
  2. 02Open weights are not open source: Why AI's favorite label is under disputeEN
  3. 03Extracting memorized pieces of (copyrighted) books from open-weight language modelsEN
  4. 04S1-mini, Superwhisper's first open-weights language modelEN

Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Lena Brandt

Lena Brandt

KI, Modelle und Technik

Lena Brandt schreibt für FLASH24 über Technik, KI und Modelle sowie Medien und Internet und stützt sich dabei auf Herstellerangaben, Studien und öffentlich zugängliche Datensätze, statt Pressemitteilungen ungeprüft zu übernehmen. Bei Modellvergleichen kontrolliert sie Benchmark-Werte, Trainingsdaten und Versionsnummern und rechnet Angaben zu Rechenleistung und Kosten selbst nach. Sie spricht mit Entwicklern und Forschern, wartet auf angekündigte Updates und vergleicht Releases, bevor sie eine Einschätzung abgibt. Privat beschäftigt sie sich mit 3D-Druck, alten Rechnern und der Frage, wie Modelle aus Internetmüll lernen – Themen, die regelmäßig in ihre Texte einfließen. Sie publiziert keine Zahlen, deren Quelle sie nicht selbst überprüfen konnte.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.