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

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. So beschreibt es Tom's Hardware.

Diese Spannung liegt unter der Nachrichtenlage der letzten Wochen zu offenen Gewichten. Ein Modell herunterzuladen ist einfach. Zu wissen, was hineingeflossen ist, oder es nachzubauen, ist es nicht.

Die Vier-Monats-Zahl und ihre Einschränkungen

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% des Preises. Auf Claude Fable 5 fehlten zwei Punkte, bei 30%. Mozilla setzt die Lücke zwischen offen und geschlossen anhand der METR-Daten zum Aufgabenhorizont bei rund 4,4 Monaten an, im Einklang mit der Vier-Monats-Schätzung von Epoch AI. Nach Mozillas Rechnung 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. TIME berichtete am 14. Juli, Mozillas Technikvorstand Raffi Krikorian habe den Bericht teils als Interessenvertretung bezeichnet. Mozilla erklärt, die Vier-Monats-Zahl und die 30% beim Token-Preis seien API gegen API auf gehosteten Endpunkten und zu Listenpreisen gemessen.

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

Es gibt ein Gegenbeispiel. Thinking Machines' Inkling-Small steht unter Apache 2.0 und hat eine NVFP4-Version, die auf einen B300 mit einer Untergrenze von 180GB 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 eigenen GPUs laufen zu lassen, schrieb er, sei die Verbreitung offener Gewichte, nicht Open Source. Der Unterschied entscheide darüber, ob man ein fertiges Netzwerk nur einsetzen oder das System, das es hervorgebracht hat, einsehen, reproduzieren, verändern und weiterverbreiten könne.

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, gäben nur "a fraction of the information required for full accountability" preis.

James Landay, Direktor des Stanford Institute for Human-Centered AI, sagte dem Register: "Open weights are progress. You can download the model, run it on your own machine, keep it out of someone else's data pipeline. But you still can't see how the thing was built, what it was trained on, or why it behaves the way it does. That's not an open model. That's open distribution."

Landays Sorge ist konkret. Ohne Trainingsdaten oder ausführliche Dokumentation können Außenstehende nicht sagen, 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 gelangten oder welche Alignment-Methoden das Modell nach dem Vortraining geformt 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. Einen rechtlichen Mechanismus schreibt sie nicht vor. Luca Antiga, Technikvorstand von Lightning AI, hat gesagt, diese Behandlung lasse "a gaping hole" zurück, das Lizenzen als Signal für tatsächliche Nutzbarkeit schwächen werde. Bruce Perens, Autor der ursprünglichen Open Source Definition, prangerte die OSAID 2024 an und sagte später, die OSI selbst sei inzwischen am Openwashing beteiligt. Bradley Kuhn von der Software Freedom Conservancy und Richard Fontana von Red Hat haben gefordert, die OSAID aufzuheben.

Unter alldem liegen praktische Fragen des Auswendiglernens. Ein Artikel 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 hätten die meisten Bücher nicht auswendig gelernt, fanden die Autoren. Llama 3.1 70B aber habe einige Titel vollständig auswendig gelernt, darunter Harry Potter and the Sorcerer's Stone. Das ganze Buch ließ sich fast wörtlich aus den ersten paar Wörtern extrahieren.

Das Ökosystem der offenen Gewichte liefert unterdessen weiter. Superwhisper veröffentlichte S1-mini, einen Text-Normalisierer mit 0,6B Parametern für die Ausgabe von Spracherkennung, feinabgestimmt aus Qwen/Qwen3-0.6B unter Apache 2.0 plus einer Namensklausel. Er meldet 94,8% 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.