Was „offene Gewichte“ wirklich bedeuten und warum das nicht Open Source ist
Herunterladbare Modelldateien gelten inzwischen oft als Open Source. Die Open Source Initiative und Forscher der Stanford University sagen: Die Bezeichnung deckt nur einen Bruchteil dessen ab, was nötig wäre, um ein Modell zu prüfen, nachzubauen oder neu zu erstellen.

Offene Gewichte sind die gelernten Zahlenwerte, die beim Training eines neuronalen Netzes entstehen. Wer sie auf Hugging Face veröffentlicht, ermöglicht jedem mit einer GPU, das Modell laufen zu lassen, es nachzutrainieren oder selbst zu betreiben. Das ist ohne Frage nützlich. Nach Ansicht der Open Source Initiative und mehrerer bekannter Free-Software-Vertreter ist es trotzdem nicht dasselbe wie Open Source.
Der Unterschied ist mehr als ein Streit um Etiketten. Er entscheidet darüber, ob man ein fertiges neuronales Netz nur einsetzen kann oder ob man das System, das es hervorgebracht hat, prüfen, reproduzieren, verändern und weitergeben kann. James Landay, Direktor von Stanford HAI, sagte dem Register: „Offene Gewichte beantworten die Frage ,Kann ich das laufen lassen?‘ Open Source beantwortet die Frage ,Kann ich dem trauen, es verbessern und das nächste Ding darauf aufbauen?‘“
Was im Download tatsächlich enthalten ist
Eine typische Veröffentlichung mit offenen Gewichten enthält die Gewichte, die Architektur des Modells und den Inferenzcode. Zusammen mit einer Laufzeitumgebung wie llama.cpp reicht das, um Text zu erzeugen. S1-mini von Superwhisper etwa ist ein Textnormalisierer mit 600.000.000 Parametern für die Ausgabe von Spracherkennung, nachtrainiert aus Qwen/Qwen3-0.6B und lizenziert unter Apache 2.0 mit einer Namensklausel. Die Modellkarte nennt 596.000.000 eindeutige Parameter, 28 Schichten, 16 Query-Heads und 8 Key/Value-Heads bei gruppierter Query-Attention sowie eine quantisierte Variante, die als Datei 462 MiB groß ist.
Was auf dieser Karte fehlt, sind die Trainingsdaten. Superwhisper sagt nicht, mit welchen Transkripten S1-mini trainiert wurde, wie sie ausgewählt und was entfernt wurde. Das ist bei Veröffentlichungen mit offenen Gewichten üblich, und genau auf diese Lücke zeigen die Kritiker.
Der Glossareintrag der OSI zieht die Grenze ohne Umschweife. „Open Weights bezeichnen die endgültigen Gewichte und Bias-Werte eines trainierten neuronalen Netzes“, heißt es dort, und weiter: Die Gewichte allein gäben nur „einen Bruchteil der Informationen preis, die für vollständige Rechenschaft nötig sind“. Ohne Trainingsdaten oder ausführliche Dokumentation können Außenstehende nicht feststellen, welche Quellen verwendet wurden, welches urheberrechtlich geschützte oder private Material enthalten sein könnte, wie die Daten gefiltert wurden, welche Sprachen unterrepräsentiert waren, ob Benchmark-Daten ins Training gelangt sind oder welche Verfahren zur Ausrichtung und Sicherheit nach dem Pretraining angewendet wurden.
„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.“ James Landay, Stanford HAI
Die OSI versuchte eine Definition, und der Streit ist nicht vorbei
Die Open Source Initiative veröffentlichte im Oktober 2024 die Open Source AI Definition, OSAID 1.0. Sie verlangt, dass Modellparameter einschließlich der Gewichte zu von der OSI anerkannten Bedingungen verfügbar gemacht werden, schreibt aber keinen bestimmten rechtlichen Mechanismus vor. Die OSI räumte bei der Veröffentlichung ein, dass die Definition sich weiterentwickeln werde. Kritiker sagen, die zentralen Mängel seien nicht behoben.
Luca Antiga, CTO von Lightning AI und PyTorch-Mitentwickler, argumentierte, die Behandlung der Gewichte in der OSAID hinterlasse „ein klaffendes Loch, das Lizenzen weniger wirksam dabei macht, festzustellen, ob KI-Systeme unter OSI-Lizenz in der Praxis übernommen werden können“. Bruce Perens, Autor der ursprünglichen Open Source Definition, lehnte die OSAID 2024 ab und sagte später: „Das ist nicht Open Source! … Es ist bedauerlich, dass die Open Source Initiative selbst jetzt beim Openwashing mitmacht.“
Bradley Kuhn von der Software Freedom Conservancy und Richard Fontana, leitender Handelsjurist bei Red Hat, gingen weiter und forderten die Rücknahme der OSAID. Ihr Argument, zitiert vom Register: „Die OSI handelte zu schnell, um der Gemeinschaft einen überambitionierten politischen Kompromiss aufzuzwingen. Die OSAID hat unbestreitbar einen Riss in der FOSS-Gemeinschaft erzeugt; dieser Riss hat dem Ruf, der Autorität und dem Einfluss der OSI ernsthaft geschadet.“
Unterdessen reichte Mike Dolan von der Linux Foundation die Lizenz Open Model, Data, and Weights, OpenMDW, bei der OSI ein. Sie existiert seit 2025 und nennt Mitwirkende von Amazon, Meta, IBM, Microsoft und Nvidia. Ihr Ansatz besteht darin, in einer Vereinbarung getrennte Bedingungen für Architektur, Trainingsdaten und Gewichte eines Modells zu definieren. Die Einreichung stieß auf der Mailingliste für Lizenzprüfungen der OSI auf Widerspruch. Stefano Maffulli, ehemaliger Geschäftsführer der OSI, sagte, er habe immer wieder den Eindruck, die Prüfung „sei von einer ideologischen Schieflage geprägt: Weil wir Big Tech nicht mögen und KI jetzt Big Tech ist, mögen wir KI nicht; also tun wir alles, um sie zu blockieren.“
Die Leistungsgeschichte stimmt, der Vorbehalt auch
All das hat das Tempo der Veröffentlichungen nicht gebremst. Mozilla publizierte am 15. September Version 1.1 seines Berichts State of Open Source AI mit Daten auf Stand vom 1. September, wie Tom's Hardware berichtet. Darin liegt das beste offene Modell auf dem Artificial Analysis Intelligence Index drei Punkte hinter dem geschlossenen Spitzenmodell, bei 60 Prozent des Preises, und zwei Punkte hinter Claude Fable 5 bei 30 Prozent. Mozillas Anpassung an die METR-Daten zum Aufgabenhorizont ergibt eine Lücke zwischen offen und geschlossen von etwa 4,4 Monaten, was zur Schätzung von Epoch AI von vier Monaten passt.
Mozillas Zahlen stammen aus einer Umfrage von Mozilla und SlashData unter rund 1.400 Entwicklern, aus Verkehrsdaten von OpenRouter und aus Benchmark-Indizes Dritter. Mozilla setzt sich für offene Modelle ein; TIME berichtete am 14. Juli, Mozilla-CTO Raffi Krikorian habe den Bericht als teilweise advocacy beschrieben. Der Bericht zählt 16 bemerkenswerte offene Veröffentlichungen und merkt an, dass keine das Datenrezept liefert, das die OSI-Definition verlangt.
- Bei Terminal-Bench 2.1 von vals.ai lag GLM-5.2 von Z.ai einen Punkt hinter Claude Opus 4.7 und etwa vier Punkte hinter Opus 4.8, bei weniger als einem Fünftel der Kosten pro Test.
- Auf OpenRouter zählte Mozilla acht der zehn Modelle mit dem größten Token-Volumen im August zu den offenen Gewichten, sieben davon aus China.
- Geschlossene Anbieter erzielten von Mai bis September 2025 laut der Linux Foundation weiterhin 96 Prozent des Umsatzes auf Modellebene bei OpenRouter.
- Das beste offene Modell, das auf einen Server passt, erreichte 52,6 auf Mozillas Hardware-Tabelle; das beste auf einer GPU erreichte 40. Der Abstand zur Spitze beträgt 10 und 23 Punkte.
Der letzte Punkt ist der praktische Haken. Der native MXFP4-Checkpoint von Kimi K3 umfasst etwa 1,56TB über 96 Shards, und Mozillas Serving-Konfiguration nennt 64 oder mehr Beschleuniger, während vLLM für Produktionsverkehr mindestens acht GB300-GPUs über mehrere Knoten verlangt. Mozilla beschreibt das als offen, aber für die meisten, die es besitzen, nicht lauffähig. Eine Ausnahme, die der Bericht nennt, ist Inkling-Small von Thinking Machines unter Apache 2.0, dessen NVFP4-Version auf einen B300 mit 180GB Untergrenze passt.
Krikorian sagte in einer E-Mail an Ars Technica: „Wir sehen die Entscheidung, für geschlossene [Modelle] zu zahlen, als vom Workload abhängig und nicht von der Organisation.“
Urheberrechtsfälle stoßen an dieselbe Wand
Der Streit um die Definition hat ein Gegenstück vor Gericht. Ein Paper von A. Feder Cooper, Mark A. Lemley und sieben Mitautoren, auf arXiv veröffentlicht und im Juli 2026 überarbeitet, maß die Memorierung von 200 Büchern in 14 LLMs mit offenen Gewichten in mehr als 3.000 Experimenten. Ihr Ergebnis: Kläger und Beklagte in Urheberrechtsverfahren zur generativen KI vereinfachen beide.
Die meisten LLMs memorieren die meisten Bücher nicht, weder ganz noch teilweise, gemessen mit der Extraktionsmethode der Autoren. Es gibt aber Ausnahmen: Llama 3.1 70B, also 70.000.000.000 Parameter, memoriert einige Bücher vollständig, darunter Harry Potter und der Stein der Weisen, sodass sich das ganze Buch anhand der ersten Worte nahezu wörtlich extrahieren lässt. Die Autoren schreiben, ihre Ergebnisse hätten erhebliche Folgen für Urheberrechtsverfahren, allerdings keine, die eindeutig einer Seite nützen.
Ungefähr dort steht die Debatte um offene Gewichte. Die Dateien sind öffentlich. Das Rezept ist es nicht. Und die beiden Seiten können sich nicht einmal darauf einigen, wie das Ergebnis heißen soll.
Quellen
4- 01Open weights are not open source: Why AI's favorite label is under disputeEN
- 02China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
- 03S1-mini, Superwhisper's first open-weights language modelEN
- 04Extracting memorized pieces of (copyrighted) books from open-weight language modelsEN
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.