Open Weights erklärt: Das Format, das OpenAI, Google und Chinas KI-Labore spaltet

Das klingt nach Aufräumarbeiten. Ist es nicht. Ein Skill ist eine Textdatei, die man speichert und wiederverwendet. Ein Gem war eine Konfiguration in Googles Servern. Keines von beiden ist ein Modell, das man auf den eigenen Laptop kopieren und laufen lassen kann, wenn der Anbieter das Interesse verliert, den Preis ändert oder das Konto schließt. Laut The Decoder werden Gems im November für Privatkonten abgeschaltet, im März 2027 für Enterprise- und Nonprofit-Workspace-Kunden und im Juni 2027 für Bildungskunden. Bestehende Gems werden automatisch umgewandelt. Der November beendet außerdem Opal, Googles KI-Mini-App-Experiment aus dem Sommer 2025.

Der Unterschied wiegt heute schwerer als noch vor einem Jahr, denn Open Weights sind keine Nische mehr.

Im September kündigte Nvidia an, Hugging Face zu übernehmen, den in New York ansässigen Hub für offene Modelle und Datensätze, für 12,9 Milliarden US-Dollar. Rest of World berichtete am 30. September über den Deal, im Rahmen einer Betrachtung chinesischer Alternativen zu der Plattform, und merkte an, dass Peking Hugging Face 2023 blockiert hat. Alibabas 2022 gestartetes ModelScope beherbergt heute mehr als 170.000 Modelle. OSChinas 2023 gestartetes MoArk bedient rund 20.000. Xu Yong, Vorstandsvorsitzender von OSChina, sagte zu Rest of World, "nicht jeder kann ständig ein VPN nutzen". China brauche ein eigenständiges KI-Ökosystem für chinesische Muttersprachler.

In derselben Woche erschien eine Reihe von Veröffentlichungen, für die früher ein Unternehmenslabor und ein Rechenzentrum nötig gewesen wären. Fermion Research veröffentlichte am 30. September Phonon-2, ein englisches Spracherkennungsmodell. Es kommt als 164 MB großer Download und erreicht laut der eigenen Beschreibung des Unternehmens über die sieben englischen Sets des Open ASR Leaderboard eine durchschnittliche Wortfehlerrate von 5,21 %. Die Gewichte stehen unter CC-BY-4.0, der Lizenz von Nvidias Parakeet TDT 0.6B v3, von dem sie abstammen. Fermion erklärt, jedes offene Modell, das auf diesem Leaderboard besser abschneidet, sei mindestens 5,8 Mal so groß. Eine Stunde Audio werde auf einem MacBook Air in etwa 20 Sekunden zu Text.

Nvidia wollte sich auf dem eigenen Feld nicht lumpen lassen und veröffentlichte Kumo Tabular auf Hugging Face. Es ist ein offenes Foundation-Modell für tabellarische Vorhersagen in drei Größen von 28M bis 215M Parametern. Es steht unter der Lizenz OpenMDW-1.1 für kommerzielle Nutzung und wurde ausschließlich auf künstlichen Daten vortrainiert. Das Unternehmen sagt, es stehe auf vier Benchmarks an erster Stelle: TabArena, BeyondArena, TALENT und ScoringBench. Das Versprechen lautet, ein vortrainiertes Modell könne eine beschriftete Tabelle als Kontext lesen und neue Zeilen in einem einzigen Vorwärtsdurchlauf vorhersagen, ohne Training und ohne Feature Engineering.

Was die neuen Veröffentlichungen tatsächlich behaupten

Ein Teil der interessantesten offenen Arbeit der Woche ist gar keine Modellveröffentlichung. Das UK AI Security Institute und Meridian Labs veröffentlichten Inspect, ein Open-Source-Framework für die Evaluierung von Frontier-Modellen. Es bringt kombinierbare Datensätze, Agenten, Werkzeuge und Bewertungskomponenten mit, mehr als 200 vorgefertigte Evaluierungen und ein Sandbox-System, das nicht vertrauenswürdigen Modellcode in Docker, Kubernetes, Modal, Proxmox oder Vagrant ausführt. Es unterstützt den Betrieb externer Agenten, darunter Claude Code, Codex CLI und Gemini CLI. Wer prüfen will, ob die Sicherheitszusage eines Anbieters den Kontakt mit einem selbst geschriebenen Testaufbau übersteht, kann es damit versuchen.

Bespoke Labs veröffentlichte am 30. September Nimble, ein 9B-Modell samt Trainingsrezept, aufgebaut auf Qwen3.5-9B. Es trifft typisierte Entscheidungen in einem Schritt, ohne zuvor eine Begründung auszuschreiben, ist also schnell. Das Repository stellt ausdrücklich klar, dass das Team nicht von TypeSafe's Jev destilliert hat. Der Sinn, heißt es im README, sei zu zeigen, wie man Daten kuratiert, ein solches Modell trainiert und bereitstellt. Das Änderungsprotokoll reicht vom 18. September, als eine öffentliche Benchmark-Suite hinzukam, bis zum 22. September, als eine Temperatur angepasst wurde, damit die Wahrscheinlichkeiten des Modells besser dazu passen, wie oft die Antworten richtig sind.

Ein separates Projekt namens Coop geht noch weiter. Es liegt unter github.com/commonsense-ai/coop und trainiert ein kleines Sprachmodell vor, indem es gespendete Consumer-Hardware und die kostenlosen Tarife von Hugging Face und GitHub Actions nutzt, ohne Server, ohne Finanzierung und ohne Daemon. Pseudo-Gradienten kommen als Hugging-Face-Pull-Requests an, und ein zustandsloser GitHub-Actions-Cronjob fasst sie zusammen. Stufe 2 läuft: rund 145M Parameter werden von Grund auf auf FineWeb-Edu vortrainiert. Stufe 1, ein 15M-Modell auf TinyStories, wurde über das Chinchilla-optimale Budget hinaus abgeschlossen. Mehrere Freiwillige auf verschiedenen Rechnern, Apple Silicon und reine CPU, haben denselben äußeren Schritt trainiert, und die Ergebnisse wurden zu einem Update gemittelt, so das Projekt.

Und PSSA, ein Nicht-Transformer-Sprachmodell, von Grund auf in Rust geschrieben, ohne PyTorch, TensorFlow oder ein ML-Framework darunter, behauptet, bei gleicher Parameterzahl und auf demselben Korpus schneller zu lernen als ein Transformer. Auf derselben CPU erzeuge es Text etwa zwölfmal schneller. Der Autor sagt unverblümt, warum: Gewichtsaktualisierungen pro Token, eine während des Vorwärtsdurchlaufs beschriebene Speicherbank und ein skalarer Referenzpfad machten ein Autograd-Framework eher lästig als nützlich.

Nicht jede offene Veröffentlichung ist ein Benchmark-Erfolg. CHOMPI Club gab am 30. September seine tragbare Sampler-Hardware und -Software als Einstellungsveröffentlichung frei, inklusive Schaltplänen, Stückliste, EAGLE-PCB-Dateien und Firmware, dazu einen Beta-8-Stimmen-Wavetable-Synthesizer namens WAVE. Das erinnert daran, dass Open Weights, offene Hardware und Open Source drei verschiedene Dinge sind. Ein Unternehmen kann das eine tun, ohne das andere zu tun.

Das Sicherheitsargument schneidet in beide Richtungen

Die größte Open-Weights-Geschichte der Woche dreht sich jedoch um ein Modell, das gar nicht veröffentlicht wurde. The Register berichtete am 30. September, OpenAI beschuldige Personen mit Verbindungen zu Chinas Moonshot AI eines Destillationsangriffs, der am 1. Juli begann. Bei dem Angriff wurden Massenabfragen genutzt, um geschütztes Reasoning zu reproduzieren. In OpenAIs Blog heißt es, man habe am 24. und 25. Juli Spitzen von 16.000 Anfragen mit einem einschlägigen Extraktionsmuster von über 4.000 Nutzern gesehen. Man identifizierte verwandte Aktivitäten bei mehr als 15.000 Nutzern und unterband die Kampagne am 28. Juli vollständig. Das Unternehmen nennt adversariale Destillation ein Sicherheits- und nationales Risiko, weil extrahiertes Reasoning ein anderes Modell ohne die ursprünglichen Schutzmechanismen trainieren kann.

Die eigene Deutung von The Register fiel weniger wohlwollend aus: OpenAI habe auf riesige Mengen von Internetinhalten trainiert, mitten in Urheberrechtsstreitigkeiten, und protestiere nun, wenn seine Ausgaben ebenso verwendet werden. Die Redaktion merkte außerdem an, dass Anthropics eine Woche zuvor veröffentlichtes Claude Opus 5.5 mit einer Verteidigung gegen Destillation namens preserved thinking ausgeliefert wird.

Das ist die Spannung in einem Absatz. Open Weights erlauben jedem, ein Modell zu prüfen, es lokal zu betreiben und darauf aufzubauen, ohne um Erlaubnis zu fragen. Sie erlauben auch jedem, die Schutzgeländer zu entfernen und die Fähigkeit neu zu verpacken. Beides stimmt, und die Branche hat nicht entschieden, was ihr mehr bedeutet.

Googles Skills-Einführung ist die leisere Hälfte desselben Arguments. Skills ist ein offenes Format, das von Anthropic stammt. Gemini kann Skills aus früheren Chats erzeugen, mehrere miteinander verketten und sie automatisch ausführen, wenn es einen passenden Prompt erkennt. Nutzer gewinnen die Portabilität von Anweisungen. Die Portabilität des Modells gewinnen sie nicht. OpenAI stellt laut The Decoder sein Gegenstück ein, die Custom GPTs.

Für alle, die entscheiden wollen, was sie betreiben, lautet die praktische Frage nicht offen gegen geschlossen. Sie lautet, was man mit der Sache noch anfangen kann, wenn das Unternehmen seine Meinung ändert.