Die meisten KI-Schlagzeilen handeln von geschlossenen Modellen: solchen, die Sie nur über die App oder API eines Unternehmens nutzen können. Doch einige der folgenreichsten Veröffentlichungen dieses Jahres waren Modelle, deren Gewichte jeder herunterladen, auf eigener Hardware ausführen und verändern kann.
Diesen Herbst ist das Angebot an Open-Weight-KI deutlich gewachsen. Hier erfahren Sie, was veröffentlicht wurde, was „offen“ im jeweiligen Fall tatsächlich bedeutet und für wen das relevant ist.
Offene Gewichte in Kürze
Die Gewichte eines Modells sind die Milliarden von Zahlen, die es beim Training gelernt hat. Wenn ein Unternehmen sie veröffentlicht, können Sie das Modell selbst ausführen, statt Ihre Daten an die Server eines anderen Anbieters zu senden. Sie können es auch mit Ihren eigenen Daten feinabstimmen.
Das unterscheidet sich von „Open Source“ im herkömmlichen Sinn der Softwareentwicklung. Viele Open-Weight-Modelle veröffentlichen weder ihre Trainingsdaten noch den vollständigen Trainingscode, und viele unterliegen Lizenzen, die ihre Nutzung einschränken. Darauf komme ich zurück, denn das ist wichtiger, als die meisten Berichte vermuten lassen.
Die wichtigsten Veröffentlichungen dieses Jahres
DeepSeek
Das chinesische Labor DeepSeek hat dieses Jahr in gleichmäßigem Tempo neue Versionen veröffentlicht. Seine V4-Familie erschien im Frühjahr auf Hugging Face in den Versionen Pro und Flash. Es folgten aktualisierte Checkpoints im Sommer, ein experimentelles Vision-Modell Anfang September und V4.1 Flash Mitte Oktober. DeepSeeks häufige, schrittweise Aktualisierungen haben es zu einem der am stärksten beobachteten Open-Weight-Labore gemacht.
Alibabas Qwen
Am 14. August veröffentlichte Alibabas Qwen-Team offene Gewichte für zwei Qwen3.8-Modelle. Das kleinere, Qwen3.8-27B, ist ein multimodales Modell mit 27 Milliarden Parametern, das Text, Bilder und Video verarbeitet. Sein natives Kontextfenster umfasst etwa 262.000 Token und lässt sich laut Team auf eine Million erweitern. Qwen zufolge übertrifft es das größere Qwen3.7-Plus bei Programmier- und Büroaufgaben. Es steht unter der freizügigen Lizenz Apache 2.0.
Das zweite, wesentlich größere Modell namens Qwen3.8-2.4T-A95B ist für das obere Leistungssegment gedacht. Laut einem Bericht von eWeek hat es eine eigene Lizenz, die zusätzliche Einschränkungen für einige große kommerzielle Nutzer vorsieht.
Meta
Metas Open-Weight-Strategie hat eine Wendung genommen. Llama 4, veröffentlicht im April 2025, war die letzte große Veröffentlichung unter dem Namen Llama. Dieses Jahr wechselte Meta zu einer neuen Modellfamilie namens Muse; das erste Muse-Modell erschien im April als geschlossenes Produkt, das nur über eine API zugänglich ist.
Am 15. Oktober veröffentlichte Meta Muse Spark Open, ein großes Mixture-of-Experts-Modell mit offenen Gewichten. Metas Chief AI Officer Alexandr Wang bezeichnete es als „das bislang leistungsfähigste US-Modell mit offenen Gewichten“. Meta zufolge kann es mit ähnlichen Modellen führender chinesischer Entwickler wie Alibabas Qwen, Moonshot AIs Kimi und GLM von Z.ai mithalten und sie in manchen Fällen übertreffen. Das sind Aussagen von Meta selbst.
Laut Meta kann das Modell auf zwei Mac Studios mit Apples M5 Ultra-Chips laufen. Das zeigt: „Läuft lokal“ bedeutet im oberen Leistungssegment inzwischen beträchtlichen Hardwareaufwand. Es steht zudem unter Metas eigener Lizenz mit kommerziellen Einschränkungen, nicht unter einer gängigen Open-Source-Lizenz.
Was sich tatsächlich geändert hat
Chinesische Labore geben das Tempo vor
Das aufschlussreichste Detail dieses Herbstes ist vielleicht, wie Meta seine eigene Einführung darstellte. Die Vorstellung von Muse Spark Open drehte sich um den Vergleich mit chinesischen Open-Weight-Modellen. Im vergangenen Jahr haben Labore wie DeepSeek, Alibabas Qwen-Team, Moonshot und Z.ai bestimmt, wie ein leistungsstarkes Open-Weight-Modell aussieht, und der größte US-Anbieter positioniert sich nun im Vergleich zu ihnen.
Für manche Unternehmen ist das über die Leistung hinaus relevant. Unternehmen in regulierten Branchen oder mit Vorgaben zur Herkunft ihrer Software müssen möglicherweise Herkunft und Lizenz eines Modells prüfen, bevor sie es einsetzen, selbst wenn es vollständig auf ihren eigenen Servern läuft.
Kleine Modelle sind wirklich nützlich geworden
Die Veröffentlichungen, die ich am praktischsten finde, sind nicht die Giganten. Es sind Modelle wie Qwen3.8-27B: komprimiert klein genug, um auf einer einzelnen High-End-GPU zu laufen, und zugleich leistungsfähig genug für reale Aufgaben wie Dokumentenverarbeitung, interne Suche und Programmierhilfe. Für viele Geschäftsaufgaben ist das der ideale Mittelweg.
„Offen“ deckt inzwischen ein breites Spektrum ab
Vergleichen Sie die Lizenzen: Apache 2.0 für das kleinere Qwen-Modell, eine eigene Lizenz mit Einschränkungen für das größere und Metas eigene Lizenz mit kommerziellen Einschränkungen für Muse Spark Open. Sie alle werden als „offen“ bezeichnet. Sie sind nicht gleichermaßen offen. Lesen Sie immer die Lizenz, bevor Sie ein Produkt auf einem Modell aufbauen, besonders wenn Sie wachsen möchten.
Für wen das relevant ist
Offene Gewichte brauchen Sie wahrscheinlich nicht, wenn Sie als Einzelperson oder kleines Team KI für alltägliches Schreiben, Recherchieren und Analysieren nutzen. Ein gutes geschlossenes Modell über einen Geschäftstarif ist einfacher und bei den schwierigsten Aufgaben meist leistungsfähiger.
Offene Gewichte sollten Sie ernsthaft prüfen, wenn:
- Ihre Daten Ihre Umgebung nicht verlassen dürfen. Wenn Sie ein Modell auf Ihrer eigenen Infrastruktur ausführen, bleiben sensible Daten im Haus. Unser Leitfaden zur KI-Nutzung bei der Arbeit ohne Preisgabe sensibler Daten erklärt, wann das wichtig ist.
- Sie hohe Volumen verarbeiten. In großem Maßstab kann es günstiger sein, ein eigenes Modell für Routineaufgaben zu betreiben, als pro Token zu bezahlen.
- Sie Anpassungen benötigen. Die Feinabstimmung mit eigenen Daten ist wesentlich einfacher, wenn Sie die Gewichte kontrollieren.
- Sie eine Anbieterbindung vermeiden möchten. Ein Modell, das Sie selbst betreiben, kann nicht ohne Ihr Zutun eingestellt, verteuert oder verändert werden.
Der Nachteil ist, dass Sie übernehmen, was normalerweise ein Anbieter erledigt: Hardware, Updates, Überwachung und Sicherheitsmaßnahmen. Das bedeutet echte Arbeit und ist der Grund, warum viele Teams beides nutzen: geschlossene Modelle für die schwierigsten Aufgaben mit geringem Volumen und Open-Weight-Modelle für Aufgaben mit hohem Volumen oder sensiblen Daten.
Meine Einschätzung
Das Open-Weight-Ökosystem ist gesünder als vor einem Jahr: mehr Labore, mehr Modellgrößen und mehr Wettbewerb. Das ist gut für alle, auch für Menschen, die nie ein Modell herunterladen, weil es Druck auf die Preise geschlossener Modelle ausübt.
Doch beim Wort „offen“ wäre ich vorsichtig. Die wichtigste Frage bei einem Open-Weight-Modell ist nicht sein Benchmark-Ergebnis. Entscheidend ist, ob die Lizenz Ihr Vorhaben erlaubt und ob Sie es tatsächlich auf Hardware ausführen können, die Sie sich leisten können.
Zu den geschlossenen Modellen unter den Veröffentlichungen dieses Herbstes lesen Sie, was die Markteinführungen von GPT-6, Gemini 4 Argon und Claude 5.5 verändert haben. Wenn Sie ein Modell für eine bestimmte Aufgabe auswählen, erläutert unser Leitfaden zur Auswahl eines KI-Modells die jeweiligen Vor- und Nachteile, auch bei offenen und geschlossenen Modellen.
Quellen
- Hugging Face, DeepSeek-Modell-Repositories
- The Decoder, Alibabas Qwen-Team veröffentlicht Qwen 3.8-Modelle mit offenen Gewichten unter der Lizenz Apache 2.0, 14. August 2026
- eWeek, Alibaba öffnet Qwen3.8-27B, während das Max-Modell Lizenzbeschränkungen erhält, August 2026
- Khaleej Times, Meta stellt neues „offenes“ KI-Modell als Konkurrenz zu chinesischen Anbietern vor, 16. Oktober 2026
- The New Stack, Meta veröffentlicht Muse Spark Open als Antwort auf Chinas beste Open-Weight-Modelle, Oktober 2026



