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

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

Suche
LIVE
›

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

Open Weights, also die Praxis, die trainierten Parameter eines Modells zum Herunterladen und Ausführen freizugeben, sind diese Woche vom Hobbybereich ins Zentrum der KI-Branche gerückt. Der jüngste Streitpunkt kam am 30. September auf: Google kündigte an, Gems für Skills einzustellen, und schloss sich damit OpenAI und Anthropic an. Nutzer bekommen künftig vorgefertigte Prompt-Dateien, statt die Maschinerie dahinter zu besitzen.

KI & ModelleErklärtLena BrandtVeröffentlicht: 30. September 20266 Min. LesezeitQuellen 12
Open Weights erklärt: Das Format, das OpenAI, Google und Chinas KI-Labore trennt

Das klingt nach Aufräumarbeit. Ist es nicht. Ein Skill ist eine Textdatei, die man speichert und wiederverwendet. Ein Gem war eine Konfiguration auf 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 wird Gems im November für Privatkonten abgeschaltet, im März 2027 für Enterprise- und Nonprofit-Kunden von Workspace und im Juni 2027 für Bildungskunden. Bestehende Gems werden automatisch umgewandelt. Im November endet 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 Hub für offene Modelle und Datensätze mit Sitz in New York, für 12.900.000.000 US-Dollar. Rest of World berichtete am 30. September über den Deal, im Rahmen eines Blicks auf chinesische Alternativen zu der Plattform, und merkte an, dass Peking Hugging Face 2023 blockiert hatte. ModelScope von Alibaba, 2022 gestartet, beherbergt inzwischen mehr als 170.000 Modelle. MoArk von OSChina, 2023 gestartet, bedient rund 20.000. Xu Yong, Chef von OSChina, sagte gegenüber Rest of World, „nicht jeder kann ständig ein VPN nutzen“, und China brauche ein eigenständiges KI-Ökosystem für chinesische Muttersprachler.

Im selben Zeitraum erschien eine Reihe von Veröffentlichungen, für die früher ein Konzernlabor und ein Rechenzentrum nötig gewesen wären. Fermion Research veröffentlichte am 30. September Phonon-2, ein englischsprachiges Spracherkennungsmodell mit einem Download von 600.000.000 Byte. Laut eigener Beschreibung des Unternehmens erreicht es auf den sieben englischen Datensätzen 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 zufolge ist jedes offene Modell, das auf diesem Leaderboard besser abschneidet, mindestens 5,8-mal so groß, und eine Stunde Audio wird auf einem MacBook Air in etwa 20 Sekunden zu Text.

Nvidia veröffentlichte, um auf eigenem Terrain nicht übertroffen zu werden, Kumo Tabular auf Hugging Face. Es ist ein offenes Grundlagenmodell für Tabellenvorhersagen in drei Größen von 28.000.000 bis 215.000.000 Parametern, veröffentlicht unter der Lizenz OpenMDW-1.1 für kommerzielle Nutzung und ausschließlich auf künstlichen Daten vortrainiert. Das Unternehmen gibt an, auf vier Benchmarks an erster Stelle zu stehen: TabArena, BeyondArena, TALENT und ScoringBench. Das Versprechen lautet, dass ein vortrainiertes Modell eine beschriftete Tabelle als Kontext lesen und neue Zeilen in einem einzigen Vorwärtsdurchlauf vorhersagen kann, ohne Training und ohne Feature Engineering.

Was die neuen Veröffentlichungen tatsächlich behaupten

Ein Teil der interessantesten offenen Arbeit dieser 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, mit kombinierbaren Datensätzen, Agenten, Werkzeugen und Bewertungsskripten, mehr als 200 vorgefertigten Evaluierungen und einem Sandbox-System, das nicht vertrauenswürdigen Modellcode in Docker, Kubernetes, Modal, Proxmox oder Vagrant ausführt. Es unterstützt den Betrieb externer Agenten wie Claude Code, Codex CLI und Gemini CLI. Wer prüfen will, ob die Sicherheitsversprechen eines Anbieters einem selbst geschriebenen Testaufbau standhalten, kann es mit einem solchen Werkzeug versuchen.

Bespoke Labs veröffentlichte am 30. September Nimble, ein 9.000.000.000-Parameter-Modell samt Trainingsrezept, aufgebaut auf Qwen3.5-9B. Es trifft typisierte Entscheidungen in einem Schritt, ohne zuvor eine Begründung auszuschreiben, und ist deshalb schnell. Das Repository hält ausdrücklich fest, dass das Team nicht von Jev von TypeSafe destilliert hat. Das README erklärt, es gehe darum zu zeigen, wie man solche Daten kuratiert, trainiert und ein Modell ausliefert. 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 zur Trefferquote passen.

Ein separates Projekt namens Coop treibt die Idee weiter. Unter github.com/commonsense-ai/coop vortrainiert es ein kleines Sprachmodell mit gespendeter Verbraucherhardware und den kostenlosen Kontingenten von Hugging Face und GitHub Actions, ohne Server, ohne Förderung und ohne Dauerprozess. Pseudogradienten treffen als Pull Requests bei Hugging Face ein, ein zustandsloser Cron-Job in GitHub Actions fasst sie zusammen. Stufe 2 läuft: etwa 145.000.000 Parameter werden von Grund auf auf FineWeb-Edu vortrainiert. Stufe 1, ein Modell mit 15.000.000 Parametern auf TinyStories, schloss oberhalb seines Chinchilla-optimalen Budgets ab. Mehrere Freiwillige auf verschiedenen Rechnern, Apple Silicon und gewöhnlicher 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 und auf derselben CPU etwa zwölfmal schneller Text zu erzeugen. Der Autor sagt offen, warum: Gewichtsupdates pro Token, eine während des Vorwärtsdurchlaufs beschriebene Speicherbank und ein skalarer Referenzpfad machten ein Autograd-Framework mehr Mühe, als es wert war.

Nicht jede offene Veröffentlichung ist ein Benchmark-Erfolg. CHOMPI Club gab am 30. September Hard- und Software seines tragbaren Samplers als Einstellungsveröffentlichung frei, darunter Schaltpläne, Stückliste, EAGLE-Platinendateien und Firmware, dazu einen als Beta bezeichneten 8-Stimmen-Wavetable-Synthesizer namens WAVE. Die Aktion erinnert daran, dass Open Weights, offene Hardware und Open Source drei verschiedene Dinge sind und ein Unternehmen eines davon tun kann, ohne die anderen.

Das Sicherheitsargument schneidet in beide Richtungen

Die größte Open-Weights-Geschichte der Woche handelt jedoch von einem Modell, das gar nicht veröffentlicht wurde. The Register berichtete am 30. September, OpenAI habe Personen im Umfeld von Chinas Moonshot AI eines Destillationsangriffs ab dem 1. Juli beschuldigt, bei dem Massenabfragen genutzt wurden, um geschütztes Reasoning zu reproduzieren. OpenAIs Blog nennt Spitzen am 24. und 25. Juli mit 16.000 Anfragen, die einem einschlägigen Extraktionsmuster folgten, von mehr als 4.000 Nutzern. Das Unternehmen identifizierte zusammenhängende Aktivitäten bei mehr als 15.000 Nutzern und unterband die Kampagne am 28. Juli vollständig. Adversarielle Destillation bezeichnet OpenAI als Sicherheits- und nationales Risiko, weil extrahiertes Reasoning ein anderes Modell ohne die ursprünglichen Schutzmechanismen trainieren kann.

Die Darstellung von The Register fiel weniger wohlwollend aus. Das Blatt merkte an, OpenAI habe selbst auf riesige Mengen von Internetinhalten trainiert, mitten in Urheberrechtsstreitigkeiten, und protestiere nun, wenn mit seinen Ausgaben dasselbe geschehe. The Register wies außerdem darauf hin, dass Anthropics Claude Opus 5.5, eine Woche zuvor erschienen, mit einer Verteidigung gegen Destillation namens preserved thinking ausgeliefert wird.

Darin steckt 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 Leitplanken 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 davon verketten und sie automatisch ausführen, wenn es einen passenden Prompt erkennt. Nutzer gewinnen Portabilität der Anweisungen. Portabilität des Modells bekommen sie nicht. OpenAI stellt laut The Decoder sein Gegenstück, die Custom GPTs, ein.

Wer entscheiden will, was er laufen lässt, sollte nicht offen gegen geschlossen abwägen. Die praktische Frage lautet, was man mit der Sache noch tun kann, wenn das Unternehmen seine Meinung ändert.

Kommentare 0

Quellen

12
  1. 01Google drops Gems for Skills, joining OpenAI and Anthropic in the shift to agent-ready prompt formatsEN
  2. 02The open-source AI platforms vying to become China's Hugging FaceEN
  3. 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
  4. 04Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
  5. 05Inspect: An open-source framework for large language model evaluationsEN
  6. 06Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
  7. 07Coop: A small language model pretrained by volunteersEN
  8. 08PSSA: A non-transformer language model written from scratch in RustEN
  9. 09CHOMPI portable sampler instrument is now open-source (hardware and software)EN
  10. 10Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
  11. 11Jevstiller: Open-source tool distills Jev so you can run it locallyEN
  12. 12Jevstiller: Distill a repeated Jev classification task into a local 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.