Was offene Gewichte wirklich bringen, und was nicht

Mozilla hat am 15. September Version 1.1 seines Berichts State of Open Source AI veröffentlicht, mit Daten auf dem Stand vom 1. September. Die wichtigste Zahl ist ein Abstand von vier Monaten zwischen den besten Modellen mit offenen Gewichten und den geschlossenen Frontier-Angeboten. Der Bericht zählt 16 bemerkenswerte offene Veröffentlichungen. Keine davon liefert das Datenrezept mit, das die Open Source Initiative verlangt.

Dieser letzte Punkt wiegt schwerer als die vier Monate.

Steven J. Vaughan-Nichols vom Register brachte den Unterschied am 15. September auf den Punkt. Modelldateien auf Hugging Face zu veröffentlichen und Entwickler sie auf ihren eigenen GPUs betreiben zu lassen, sei offene Verbreitung, nicht Open Source. Die Open Source Initiative, der die Open Source Definition gehört, definiert offene Gewichte als "the final weights and biases of a trained neural network". Diese Werte bestimmen, wie ein Modell eine Eingabe liest und eine Antwort erzeugt. Sie sagen nicht, was hineingeflossen ist.

Was der Download enthält

Eine Gewichtsdatei ist das Ergebnis des Trainings, nicht das Training selbst. Ohne den Datensatz oder eine ausführliche Dokumentation kann ein Außenstehender nicht feststellen, welche Quellen verwendet wurden. Er sieht nicht, welches urheberrechtlich geschützte oder private Material hineingeraten ist, wie die Daten gefiltert wurden, welche Sprachen und Gemeinschaften dünn besetzt blieben, ob Benchmark-Daten in den Lauf geraten sind oder welche Alignment-Arbeit nach dem Pretraining stattfand. 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."

Der praktische Nutzen ist real und lässt sich ohne Spott benennen. Selbsthosting gibt Kontrolle über Daten, Privatsphäre, Kosten, API-Änderungen und Anbieterbindung. Daraus ist ein großes Ökosystem aus Runtimes, Inferenzanbietern und Fine-Tuning-Werkzeugen entstanden. Superwhisper's s1-mini, ein Textnormalisierer mit 0,6B Parametern, veröffentlicht unter Apache 2.0 mit einer Namensklausel, zeigt das kleine Ende dieses Ökosystems: 596M eindeutige Parameter, ein quantisierter Build von 462 MiB, feinabgestimmt aus Qwen/Qwen3-0.6B, läuft auf einer Laptop-CPU. Eine Veröffentlichung lässt sich mit einem Revision-Tag festnageln. Den Korpus sieht man weiterhin nicht.

Der Streit um die Definition

Die Open Source Initiative hat ihre Open Source AI Definition, OSAID 1.0, im Oktober 2024 veröffentlicht und damals eingeräumt, dass sie sich weiterentwickeln werde. Sie verlangt, dass Modellparameter einschließlich der Gewichte unter von der OSI anerkannten Bedingungen verfügbar sind, schreibt aber keinen rechtlichen Mechanismus vor. Luca Antiga, CTO von Lightning AI und PyTorch-Mitwirkender, argumentierte, die Behandlung der Gewichte hinterlasse ein von ihm so bezeichnetes gaping hole. Lizenzen könnten dadurch weniger wirksam feststellen, ob OSI-lizenzierte Systeme in der Praxis übernommen werden können.

Bruce Perens, Autor der ursprünglichen Open Source Definition, prangerte OSAID 2024 an und sagte später: "It's not Open Source! … It's unfortunate that the Open Source Initiative itself is now involved in Openwashing." Bradley Kuhn von der Software Freedom Conservancy und Richard Fontana von Red Hat haben gefordert, OSAID aufzuheben. Die OSI habe zu schnell gehandelt, schrieben sie, und der Riss habe ihrem Ruf und Einfluss geschadet.

Unterdessen hat Mike Dolan von der Linux Foundation die Lizenz Open Model, Data, and Weights, bekannt als OpenMDW, bei der OSI eingereicht. Sie existiert seit 2025 und nennt Mitwirkende von Amazon, Meta, IBM, Microsoft und Nvidia. Ihr Ansatz: getrennte Bedingungen für Architektur, Trainingsdaten und Gewichte, alles, was ein Lizenzgeber liefert, unter einer Vereinbarung. Die Einreichung hat Einwände auf der Lizenzprüfungs-Mailingliste der OSI ausgelöst. Stefano Maffulli, ehemaliger Geschäftsführer der OSI, sagte, er habe weiterhin den Eindruck, die Prüfung sei von ideologischer Voreingenommenheit gegen große Technologiekonzerne belastet.

Open weights answer 'Can I run this?' Open source answers 'Can I trust this, improve it, and build the next thing on top of it?'

Diese Zeile stammt von Landay, wieder über das Register, und sie ist die klarste Zusammenfassung des Streits. Sie erklärt auch, warum die Benchmark-Arbeit des Mozilla-Berichts mit Vorsicht zu lesen ist. Die Zahl von vier Monaten stammt aus METR-Aufgabenhorizont-Daten. Sie bewerten Modelle danach, wie lange eine Aufgabe in menschlicher Arbeitszeit ist, die sie zur Hälfte erledigen. Mozillas Anpassung setzt geschlossene Modelle bei Aufgaben an, die Experten 8 bis 12 Stunden kosten. Offene Modelle erreichen das etwa vier Monate später. Mozilla berechnet eine Verdopplung der offenen Fähigkeiten alle 3,9 Monate gegenüber 5,5 bei geschlossenen.

Der Preis ist der Punkt, an dem offene Gewichte klar gewinnen. Mozilla fand, dass das beste offene Modell beim Artificial Analysis Intelligence Index drei Punkte hinter dem geschlossenen Spitzenreiter lag, bei 60% des Preises, und zwei Punkte hinter Claude Fable 5 bei 30%. Bei vals.ai's Terminal-Bench 2.1 erreichte Z.ai's GLM-5.2 einen Punkt Abstand zu 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 besten Modelle nach Token-Volumen im August zu den offenen Gewichten, sieben davon chinesisch gebaut. Geschlossene Anbieter nahmen dennoch 96% der Einnahmen auf Modellebene auf OpenRouter von Mai bis September 2025 ein, laut der Linux Foundation.

Die Hardware ist der Vorbehalt. Mozillas eigene Grafik setzt das beste offene Modell, das auf einen Server passt, bei 52,6 und das beste auf einer GPU bei 40. Das sind Rückgänge von 10 und 23 Punkten gegenüber der Spitze, größer als vier Monate vermuten lassen. Der native MXFP4-Checkpoint von Kimi K3 läuft mit etwa 1,56TB über 96 Shards, und Mozillas Serving-Konfiguration nennt 64 oder mehr Beschleuniger. Thinking Machines' Inkling-Small, unter Apache 2.0, passt auf eine B300 bei einer Untergrenze von 180GB.

Die Daten enden am 1. September. Artificial Analysis ist inzwischen auf Index v4.3 mit einem anderen Evaluierungssatz umgestiegen, und die Bildunterschrift in Mozillas eigener Grafik lautet: "the gap resets every release cycle." Das Etikett wird die Definition weiterhin überholen.