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

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

Suche
LIVE
›

Open Weights sind kein Open Source: der Streit um ein Etikett

Sprachmodelle mit offenen Gewichten erscheinen schneller, als die Regeln sie beschreiben. Die Open Source Initiative sagt, Gewichte allein gäben nur "einen Bruchteil der Informationen preis, die für vollständige Rechenschaft nötig sind". Kritiker sehen das Etikett überdehnt.

KI & ModelleAnalyseLena BrandtVeröffentlicht: 27. September 20267 Min. LesezeitQuellen 3
Open Weights sind kein Open Source: der Streit um ein Etikett

Eine Modelldatei von Hugging Face herunterzuladen dauert Sekunden. Herauszufinden, was darin steckt, erfordert eine Vorladung. Genau diese Lücke ist das ganze Argument.

Steven J. Vaughan-Nichols vom Register zog die Unterscheidung am 15. September deutlich. Eine Veröffentlichung kann offene Gewichte haben, ohne Open Source zu sein. Der Unterschied entscheidet, ob man ein fertiges neuronales Netz nur laufen lassen kann oder ob man das System, das es hervorgebracht hat, tatsächlich prüfen, nachbauen, verändern und weitergeben darf. Gewichte sind die gelernten numerischen Parameter, die beim Training entstehen. Zusammen mit der Architektur und dem Inferenzcode bringen sie ein großes Sprachmodell zum Laufen. Ein Modell mit offenen Gewichten lässt sich selbst hosten und auf interne Dokumente feinjustieren, die eigenen Prompts bleiben außerhalb einer proprietären API. Bei den meisten Veröffentlichungen ist das Datenrezept dahinter nicht zu sehen. Mit 70.000.000.000 Parametern allein ist noch nichts über die Herkunft der Trainingsdaten gesagt.

Für die Leute, die Lizenzen schreiben, ist das keine Nebensache.

Die OSI zieht eine Grenze und wird dafür kritisiert

Die Open Source Initiative, die die Open Source Definition verwaltet, stellt klar: "Open Weights bezeichnen die endgültigen Gewichte und Bias-Werte eines trainierten neuronalen Netzes." Sie ergänzt, deren Veröffentlichung gebe nur "einen Bruchteil der Informationen preis, die für vollständige Rechenschaft nötig sind". Ihre eigene Open Source AI Definition, OSAID 1.0, sollte diese Lücke schließen. Sie verlangt, dass Modellparameter einschließlich der Gewichte unter von der OSI anerkannten Bedingungen verfügbar sind, schreibt aber keinen bestimmten rechtlichen Mechanismus vor. Sie erschien im Oktober 2024 und galt schon damals als Dokument, das sich weiterentwickeln würde.

Kritiker sagen, der zentrale Mangel sei nie behoben worden. Luca Antiga, CTO von Lightning AI und bekannter PyTorch-Mitwirkender, hat argumentiert, die Behandlung der Gewichte in der OSAID lasse "ein klaffendes Loch, das Lizenzen weniger wirksam darin macht, zu bestimmen, ob OSI-lizenzierte KI-Systeme in der Praxis übernommen werden können". Bruce Perens, Autor der ursprünglichen Open Source Definition, griff die OSAID 2024 scharf an und erklärte später: "Das ist kein 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, forderten die Rücknahme der OSAID. Die OSI habe, so ihr Argument, "zu schnell gehandelt und der Gemeinschaft einen überambitionierten politischen Kompromiss aufgedrängt". Der Bruch habe, so sagen sie, "dem Ruf, der Autorität und dem Einfluss der OSI ernsthaft geschadet".

James Landay, Direktor des Stanford Institute for Human-Centered AI, brachte die Beschwerde gegenüber dem Register auf die praktische Form: "Offene Gewichte sind ein Fortschritt. Man kann das Modell herunterladen, auf der eigenen Maschine laufen lassen, es aus fremden Datenpipelines 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."

"Offene Gewichte beantworten die Frage 'Kann ich das laufen lassen?' Open Source beantwortet die Frage 'Kann ich dem trauen, es verbessern und das Nächste darauf bauen?'", sagte Landay.

Ohne Trainingsdaten oder ausführliche Dokumentation können Außenstehende nicht feststellen, welche Quellen verwendet wurden. Sie können nicht sagen, welches urheberrechtlich geschützte oder private Material enthalten sein könnte, oder wie Daten ausgewählt oder entfernt wurden. Sie sehen nicht, welche Sprachen und Gemeinschaften unterrepräsentiert waren, ob Benchmark-Daten ins Training gelangt sind oder welche Alignment- und Sicherheitsverfahren das Modell nach dem Pretraining geprägt haben.

Eine Lizenz, die den Unterschied aufteilen will

In diese Lücke kam die Open Model, Data, and Weights License der Linux Foundation, eingereicht bei der OSI von Mike Dolan. OpenMDW gibt es seit 2025, und sie nennt Mitwirkende von Amazon, Meta, IBM, Microsoft und Nvidia, was ihr industrielles Gewicht verleiht. Ihr Ansatz besteht darin, getrennte Bedingungen für Architektur, Trainingsdaten und Gewichte eines Modells zu definieren. Damit fallen alle Bestandteile, die ein Lizenzgeber liefert, unter eine Vereinbarung. Herkömmliches Open Source dreht sich um Quellcode. LLMs verbinden Code, Architektur und numerische Gewichte aus Datensätzen, die proprietär, urheberrechtlich geschützt oder schlicht nicht offengelegt sein können.

Die Einreichung stieß auf der Lizenzprüfungs-Mailingliste der OSI auf Widerspruch. Stefano Maffulli, ehemaliger Geschäftsführer der OSI, leitete die Organisation, während die OSAID formuliert wurde. Er sagte: "Ich habe weiterhin den Eindruck, dass die OpenMDW-Prüfung von einer ideologischen Voreingenommenheit getrübt ist: Weil wir Big Tech nicht mögen und KI jetzt Big Tech ist, mögen wir KI nicht; deshalb tun wir alles, um sie zu blockieren."

Unterdessen erscheinen die Modelle weiter. Mozillas Bericht State of Open Source AI, Version 1.1, am 15. September veröffentlicht mit Datenstand 1. September, zählte 16 beachtenswerte offene Veröffentlichungen. Keine liefert das Datenrezept, das die OSAID verlangt. Mozilla setzt sich für offene Modelle ein. Ihr CTO Raffi Krikorian sagte am 14. Juli gegenüber TIME, der Bericht sei teils auch Interessenvertretung, so Tom's Hardware.

Die Fähigkeitslücke schließt sich, die Kostenlücke nicht

Mozillas Zahlen sind das konkreteste Maß dafür, wo offene Gewichte heute stehen. Das beste offene Modell lag auf dem Artificial Analysis Intelligence Index drei Punkte hinter dem geschlossenen Spitzenmodell, bei 60 Prozent des Preises. Es lag zwei Punkte hinter Claude Fable 5, bei 30 Prozent des Preises. Mozillas Anpassung an die METR-Aufgabenhori­zontdaten setzt die Lücke zwischen offen und geschlossen bei etwa 4,4 Monaten an, im Einklang mit Epoch AIs Schätzung von vier Monaten. Diese Daten bewerten Modelle nach der Länge der Aufgabe in menschlicher Arbeitszeit, die sie zur Hälfte bewältigen. Die offene Fähigkeit verdoppelt sich nach Mozillas Berechnung alle 3,9 Monate, bei geschlossenen Modellen alle 5,5 Monate.

Die Terminal-Bench-2.1-Liste von vals.ai schickt jedes Modell durch denselben Prüfaufbau. Dort erreichte Z.ais GLM-5.2 einen Punkt Abstand zu Claude Opus 4.7 und etwa vier Punkte Rückstand auf Opus 4.8, bei weniger als einem Fünftel der Kosten pro Test. Auf OpenRouter zählte Mozilla acht der zehn nach Token-Volumen im August führenden Modelle zu den offenen Gewichten, sieben davon chinesisch gebaut. Geschlossene Anbieter nahmen laut Linux Foundation von Mai bis September 2025 dennoch 96 Prozent des Umsatzes auf Modellebene auf OpenRouter ein. Krikorian sagte in einer E-Mail an Ars Technica: "Wir sehen die Entscheidung, für geschlossene [Modelle] zu zahlen, als arbeitslastspezifisch und nicht als organisationsspezifisch."

Diese Zahlen haben Einschränkungen, die der Bericht selbst nennt. Die Vier-Monats-Lücke und der Token-Preis von 30 Prozent sind API zu API auf gehosteten Endpunkten und zu Listenpreisen gemessen. Mozillas eigene Hardware-Tabelle setzt das beste offene Modell, das auf einen Server passt, bei 52,6 an und das beste, das auf eine GPU passt, bei 40. Das sind Abfälle von 10 und 23 Punkten gegenüber der Spitze, eine größere Lücke als vier Monate. Der native MXFP4-Checkpoint von Kimi K3 läuft mit etwa 1,56 TB über 96 Shards. Mozillas Serving-Konfiguration listet 64 oder mehr Beschleuniger, während vLLM mindestens acht GB300-GPUs verlangt, für Produktionsverkehr mit mehreren Knoten. Der Bericht beschreibt das als offen, aber für die meisten, die es besitzen, nicht lauffähig. Thinking Machines' Inkling-Small unter Apache 2.0 ist eine Ausnahme: Seine NVFP4-Version passt mit einer Untergrenze von 180 GB auf einen einzigen B300.

Die Daten enden am 1. September, und die Ranglisten haben sich seither bewegt. Artificial Analysis führt heute Index v4.3 mit einem anderen Evaluationsset. Die aktuelle Liste zeigt Claude Fable 5.1 bei 53 auf der höchsten Aufwandsstufe und Kimi K3 bei 44, Zahlen, die mit den v4.1.1-Werten, die Mozilla eingetragen hat, nicht vergleichbar sind. Die Bildunterschrift in Mozillas eigener Grafik lautet: "Die Lücke setzt sich mit jedem Veröffentlichungszyklus zurück."

An K3 hängt zudem ein ungeklärter Vorwurf. Eine gemeinsame Warnung von NSA, CISA und FBI vom 8. September (AA26-251A) behauptet, Moonshot habe Daten von Claude Fable 5 extrahiert, um K3 durch Destillation zu trainieren. Destillation ist das Trainieren eines Modells auf den Ausgaben eines anderen Modells. Mozillas Bericht bezeichnet die Behauptung als "erhoben, aber nicht belegt". Am 17. Juli hatte Artificial Analysis K3 bei 57 gegenüber Fable 5 mit 60; bis zum 1. September lag es bei Mozilla zwei Punkte zurück.

Wofür das Etikett eigentlich steht

Nichts davon entscheidet die Urheberrechtsstreitigkeiten. Ein Papier von A. Feder Cooper, Mark A. Lemley und Mitautoren testete 200 Bücher gegen 14 Modelle mit offenen Gewichten in mehr als 3.000 Experimenten. Es wurde im Mai 2025 erstmals bei arXiv eingereicht und bis Juli 2026 überarbeitet. Die meisten LLMs prägen sich die meisten Bücher nicht ein, weder ganz noch teilweise, fanden die Autoren. Aber Llama 3.1 70B prägt sich einige Titel vollständig ein, darunter Harry Potter and the Sorcerer's Stone. Das ganze Buch lässt sich fast wörtlich aus den ersten Worten extrahieren. Das Fazit des Papiers: Das Auswendiglernen variiert je nach Modell und je nach Buch. Die Ergebnisse haben erhebliche Folgen für Urheberrechtsfälle, "allerdings keine, die eindeutig einer Seite nützen".

Das ist die unangenehme Mitte, in der das Etikett steckt. Offene Gewichte sagen, dass ein Modell laufen und feinjustiert werden kann. Sie sagen nicht, was es gefressen hat. Landays Formulierung, wie sie das Register zitiert, ist die klarste Fassung: Offene Gewichte beantworten, ob man das Ding laufen lassen kann; Open Source beantwortet, ob man ihm trauen, es verbessern und darauf bauen kann. Im Moment ist für fast jede Veröffentlichung auf dem Hub die erste Antwort ja und die zweite noch eine Frage.

Kommentare 0

Quellen

3
  1. 01Open weights are not open source: Why AI's favorite label is under disputeEN
  2. 02China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
  3. 03Extracting memorized pieces of 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.

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.