Open-Weights-Woche: Cloudflare Clef, Amazon, Google und DeepSeek bewegen den Markt für offene Modelle
Cloudflare hat am Donnerstag zwei Entscheidungsmodelle mit offenen Gewichten veröffentlicht. Sie sollen genauer sein als Jev von TypeSafe, kosten aber fast sechsmal mehr pro Million Token. Die Veröffentlichung schließt eine Woche ab, in der Amazon, Google und Huawei bei offener oder günstiger Modelltechnik nachgelegt haben.

Cloudflare hat am Donnerstag, 1. Oktober, die Clef-Familie der Entscheidungsmodelle vorgestellt. Sie läuft auf der Plattform Workers AI und ist auf Hugging Face unter der Lizenz Apache 2.0 als offenes Gewicht veröffentlicht. The Register berichtete am selben Tag, Clef und Clef-flash beantworten drei Arten klar umrissener Fragen: Ja/Nein, Multiple Choice und Ranglisten.
Damit tritt Cloudflare direkt gegen Jev von TypeSafe an, das Entscheidungsmodell, das zwei Wochen zuvor erschien und zum technischen Phänomen wurde. Laut The Register hat Clef ein LLM-Rückgrat: eigens nachtrainierte, eingefrorene Versionen von Qwen3.8-27B für Clef und Qwen3.5-9B für Clef-flash. Die Basismodelle bringen 27.000.000.000 beziehungsweise 9.000.000.000 Parameter mit. Beide durchlaufen einen reinen Prefill-Durchgang und bewerten danach die Antwortoptionen parallel.
Cloudflare hat seine Benchmark-Werte gegen den Jev Decision Index selbst gemeldet, und The Register merkt an, dass sie auf der offiziellen Rangliste noch nicht reproduziert wurden. Cloudflare behauptet außerdem, Clef habe Jev in drei von vier Bereichen der TypeSafe-Benchmarks geschlagen. Verloren habe es nur bei der Beobachtbarkeit von Agenten-Spuren.
Der Preis ist der unangenehme Teil
Clef kostet 0,24 Dollar pro Million Token, fast sechsmal so viel wie Jev mit 0,042 Dollar pro Million, berichtete The Register. Cloudflares Argument: Das Modell verarbeitet neben Text auch Bilder und Video und unterstützt ein Kontextfenster von 64.000 Token. Jev schafft über eine Anfrage hinweg ebenfalls bis zu 64.000 Token, doch sein Zustand plus die längste einzelne Frage sind auf 32.000 begrenzt.
Cloudflares eigener Benchmark-Beitrag beschreibt einen Test zur Bedrohungsaufklärung, in dem Clef eine Website in 2,2 Sekunden abrief, renderte und einordnete. Das schnellste allgemeine LLM des Unternehmens, gpt-oss-120b, brauchte im selben Ablauf 4,7 Sekunden. Laut Cloudflare stufte Clef die Domain mit 95 Prozent Wahrscheinlichkeit als Mode-Website ein, mit 85 Prozent als E-Commerce und mit unter 1 Prozent als Phishing. Das Unternehmen gibt die Gewichte außerdem als Open Source frei, damit Kunden sie lokal betreiben können.
Zwei weitere Starts von Entscheidungsmodellen fielen in dasselbe 48-Stunden-Fenster. Das AI Gateway von Vercel listet Laya, ein "System One evaluation model" von Convai Innovations, mit einer kostenlosen gehosteten API, 8.000 Token Kontext und einem Enddatum der Aktionspreise am 31. Oktober 2026. TechCrunch berichtete, Amazon habe seinen eigenen Jev-Klon veröffentlicht, während Entscheidungsmodelle das Netz überschwemmten.
Gemini 4 Argon, mit halb geschlossener Tür
Googles Woche lief in die andere Richtung. Das Unternehmen führte am 30. September Gemini 4 Argon ein, das TechCrunch als sein bislang stärkstes Modell bezeichnete. The Guardian meldete am 1. Oktober, Google habe den Zugang aus Sicherheitsgründen eingeschränkt. Die Benchmark-Auswertung von The Decoder urteilte, Argon verkleinere den Abstand zu OpenAI und Anthropic, übernehme aber keine klare Führung.
Anthropic streitet derweil über Trainingsdaten statt über Gewichte. The Guardian berichtete am 2. Oktober, Anthropic dränge auf ein Opt-out-Modell für australische Inhalte, nachdem ABC vor einer "Kannibalisierung" der Nachrichten gewarnt hatte.
Die Spannung in der Debatte um offene Gewichte liegt darin, dass veröffentlichte Gewichte und veröffentlichte Evaluation zweierlei sind. Das Inspect-Framework des britischen AI Security Institute, ein Open-Source-Stack für Evaluationen, entstand mit Meridian Labs. Laut seiner Dokumentation bringt es über 200 fertige Evaluierungen mit und unterstützt mehr als 20 Modellanbieter. Es existiert genau deshalb, weil Anbieter ihre Arbeit noch immer selbst benoten.
Unabhängige Arbeit kommt im gleichen Takt. Ein am 29. September bei arXiv eingereichtes Papier von Loay Mualem und sechs Mitautoren stellt GoldiMask vor, eine Feinabstimmungsmethode für diskrete Diffusions-Sprachmodelle. Sie wählt Kontext-Token aus, indem sie ein submodulares Ziel näherungsweise maximiert, und gewichtet die übrigen Ziele. Die Autoren berichten von der höchsten durchschnittlichen Genauigkeit in den meisten untersuchten Einstellungen, über drei Backbones und drei Trainingsdatensätze hinweg, mit Zugewinnen bei Reasoning und Code-Generierung.
Kontext als Datei, und ein Freiwilligenlauf mit 15.000.000 Parametern
Ein zweites Papier, am selben Tag von Rulin Shao und zwölf Mitautoren eingereicht, beschreibt Context Language Models: Modelle, die ihren Kontext wie eine Datei behandeln, die sie selbst aktualisieren können. Die Autoren berichten von 11,4 Prozent höherer Genauigkeit bei 21,5 Prozent weniger FLOPs auf BrowseComp-Plus, von 5 Prozent höheren Werten bei 59 Prozent weniger FLOPs bei einer zwölfstündigen EdgeBench-Aufgabe und von einer Verbesserung um 47,6 Prozent auf Qwen3.5-9B, wenn man es mit ihrer Online-Methode für bestärkendes Lernen trainiert. Der Code liegt auf GitHub unter CC BY-NC 4.0.
Am kleinen Ende trainiert ein Freiwilligenprojekt namens Coop ein Modell mit rund 145.000.000 Parametern auf FineWeb-Edu vor, auf gespendeter Consumer-Hardware. Die Pseudo-Gradienten gehen als Pull Requests bei Hugging Face ein und werden von einem zustandslosen Cron-Job in GitHub Actions zusammengeführt. Stufe 1, ein Lauf mit 15.000.000 Parametern auf TinyStories, endete jenseits seines Chinchilla-optimalen Budgets.
Auch die Hardware-Politik bewegt sich. Tom's Hardware meldete am 1. Oktober, DeepSeek und Huawei hätten Open-Source-Programmierwerkzeuge für Ascend veröffentlicht, darunter Bibliotheken für Rechnen und Kommunikation sowie Ascend-Unterstützung für TileLang. Ziel ist, die Abhängigkeit vom Ökosystem Nvidias zu verringern. Nvidias Antwort auf das Risiko durch Agenten, eine offene Agent Safety Platform, die Agenten in Millisekunden quarantänisieren kann, wurde ebenfalls am 1. Oktober angekündigt.
Nicht jede Behauptung dieser Woche hält einem Benchmark stand. Die Kolumne von The Register vom 30. September merkte an, dass OpenAI die Destillation des eigenen Reasonings inzwischen als Risiko für die nationale Sicherheit bezeichnet. Das Unternehmen hatte über Jahre große Mengen Webdaten zum Training genutzt, begleitet von Urheberrechtsstreitigkeiten. OpenAI sagt, eine am 1. Juli begonnene Kampagne habe am 24. und 25. Juli mit 16.000 Anfragen von mehr als 4.000 Nutzern ihren Höhepunkt erreicht und sei bis zum 28. Juli vollständig unterbrochen worden; ein Kerncluster führe zu Personen mit Verbindungen zu Moonshot AI. CNBC berichtete, das Unternehmen erkläre, Verschlüsselung, Datenbanken und gespeicherte Nutzergespräche seien nicht kompromittiert worden.
Die eine Zahl, die gegen die Begeisterung für offene Gewichte spricht, sind 0,24 Dollar pro Million Token. Offene Gewichte bedeuten keine billige Inferenz, und Cloudflares eigener Vergleich mit Jev macht das deutlich.
Quellen
17- 01Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 02Introducing Clef: our open-source decision models, and new RL fine-tuning platformEN
- 03Free hosted API for Laya, the open-weight decision modelEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Google releases Gemini 4 Argon, called its most powerful model yetEN
- 06Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 07Google Gemini 4 Argon closes the gap with OpenAI and Anthropic but doesn't take a clear leadEN
- 08Anthropic pushes for opt-out model for Australian content as ABC warns of 'cannibalisation' of newsEN
- 09Inspect: An open-source framework for large language model evaluationsEN
- 10Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
- 11Context Language ModelsEN
- 12Context Language Models (CLMs) official repositoryEN
- 13Coop: A small language model pretrained by volunteersEN
- 14DeepSeek and Huawei release open-source Ascend AI programming tools to reduce reliance on Nvidia ecosystemEN
- 15Nvidia launches Open Agent Safety Platform to physically restrain rogue AI agentsEN
- 16Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
- 17AI race heats up as OpenAI flags alleged model-copying campaignEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.