KI-Modelle: Was ist der Unterschied zwischen Open Source und Open Weights?

Der Unterschied zwischen Open Source und Open Weights bei KI-Modellen ist vielen nicht bekannt; dabei ist die Unterscheidung wichtig und hat erhebliche Konsequenzen in der Praxis.

Fast jede Woche kündigt ein Labor ein neues „quelloffenes“ KI-Modell an. Wer solche Meldungen liest, denkt an Linux oder Firefox – an Software, deren Innenleben jeder nachlesen darf. Bei den meisten dieser Modelle stimmt dieses Bild allerdings nicht. Sie kommen als fertig trainierte Datei, deren Entstehung niemand außerhalb des Herstellers nachvollziehen kann.

Die Fachwelt trennt deshalb sauber zwischen echter Open Source AI und Open Weights. Der Unterschied entscheidet darüber, wer ein Modell auf Voreingenommenheit prüfen kann, wer es von Grund auf neu trainieren darf und welche Pflichten Unternehmen nach dem EU AI Act treffen.

Woraus ein KI-Modell überhaupt besteht

Bei klassischer Software liegt das geistige Eigentum im Quellcode: einer für Menschen lesbaren Abfolge logischer Befehle. Wer den Code hat, versteht die Logik, findet Fehler und baut das Programm um.

Ein großes Sprachmodell funktioniert anders. Es entsteht nicht aus handgeschriebenen Wenn-Dann-Regeln, sondern aus einem monatelangen statistischen Lernprozess auf Supercomputern. Vier Bausteine gehören dazu:

• Trainingsdaten
• Quellcode
• Modellarchitektur
• Modellparameter

Tabelle: Bestandteile von KI-Modellen und Software im Vergleich

Wer nur Inferenzcode und Gewichte veröffentlicht, übergibt ein fertig trainiertes Gehirn und behält dessen Biografie für sich. Fachleute können das Modell starten, aber sie sehen nicht, ob urheberrechtlich geschützte Werke oder personenbezogene Daten ins Training geflossen sind. Neu trainieren lässt es sich ohne Trainingscode und Daten praktisch nicht.

Eine Untersuchung von über 100 aktuellen Sprachmodellen zeigt, dass die Industrie beide Begriffe systematisch vermischt. In der Fachwelt heißt das Openwashing: Der gute Ruf der Open-Source-Bewegung zieht Entwickler an, während die Daten als Geschäftsgeheimnis unter Verschluss bleiben.

Der Maßstab: die Open Source AI Definition 1.0

Die Open Source Initiative (OSI) hat nach einem mehrjährigen Abstimmungsprozess im Oktober 2024 die Open Source AI Definition (OSAID 1.0) verabschiedet. Sie überträgt die vier Freiheiten der Free-Software-Bewegung auf generative Modelle.

Tabelle: 4 Kriterien der Freiheit nach OSAID 1.0

Technisch verlangt die OSAID vier Artefakte unter einer anerkannten permissiven Lizenz wie Apache 2.0, MIT oder BSD-3: Architektur, Parameter, Trainingscode und Datenverarbeitungscode.

Am längsten diskutiert wurde der Umgang mit Trainingsdaten. Die OSI hat anerkannt, dass ein Web-Datensatz von mehreren Petabyte rechtlich kaum vollständig veröffentlicht werden kann, weil darin urheberrechtlich geschütztes Material und personenbezogene Daten stecken. Statt Rohdaten zu erzwingen, unterscheidet sie vier Datenklassen mit abgestuften Pflichten.

Tabelle: Datenklassen und Offenheit nach OSI

Fehlt ein Baustein dieser Dokumentation, gilt das System für die OSI nicht als Open Source. Die Definition kennt kein „teilweise offen“.

Echte Open Source AI: selten, aber es gibt sie

Modelle, die alle Kriterien für echtes Open Source erfüllen, sind selten. Offene Datensätze zu kuratieren, bindet enorme Ressourcen und bringt keinen kommerziellen Schutz. Für die Sicherheitsforschung und reproduzierbare Wissenschaft bilden sie trotzdem das Rückgrat.

Ein bekanntes Beispiel ist OLMo vom Allen Institute for AI. Das Institut hat Gewichte, Trainingscode, sämtliche Zwischen-Checkpoints und den kuratierten Datensatz „Dolma“ veröffentlicht. Forscher können damit die Wurzel einer Halluzination bis zur konkreten Trainingsquelle zurückverfolgen.

Die OSI hat außerdem die Pythia-Suite von EleutherAI mit ihrer vollständig reproduzierbaren Trainingspipeline sowie Amber und CrystalCoder aus dem Projekt LLM360 als konform bestätigt. Googles T5 erfüllt die Kriterien ebenfalls weitgehend.

Open Weights: der goldene Käfig

Den kommerziellen Markt beherrscht ein anderes Muster. Bei Open Weights lädt jeder die fertig berechneten Parameter herunter, Trainingsdaten und Trainingscode bleiben verborgen. Das ist eine bewusste Gratwanderung: Das teuerste Kapital – die eingekauften und gefilterten Daten – bleibt Geschäftsgeheimnis, während die weltweite Entwickler-Community trotzdem am Modell arbeitet.

Für Anwender reicht das oft völlig aus. Sie fahren das Modell lokal, binden es in eigene Software ein und passen es mit sparsamen Verfahren wie Low-Rank Adaptation (LoRA) an ihre Nische an, ohne neu zu trainieren. Eine datengetriebene Untersuchung zeigt, wie stark die Community zurückgibt: Externe Entwickler schrumpfen die Modelle durch Quantisierung deutlich, ohne dass die Genauigkeit spürbar leidet, und liefern Fehlerbehebungen frei Haus.

Der Haken steckt in den Lizenzen. Standardlizenzen wie Apache 2.0 sind selten. Häufiger sind Responsible AI Licenses (RAIL) oder Hauslizenzen mit Nutzungs- und Output-Beschränkungen.

• Llama von Meta: das am weitesten verbreitete Open-Weights-Ökosystem, aktuell in Version 3.1. Die „Llama Community License“ verbietet ausdrücklich, die Ausgaben zum Training konkurrierender Modelle zu verwenden. Wer mehr als 700 Millionen monatlich aktive Nutzer hat, braucht eine eigene kommerzielle Lizenz. Die OSI stuft Llama deshalb nicht als Open Source ein.
• Gemma von Google: kompakter, aber ebenfalls nur Gewichte. Die „Gemma Terms of Use“ enthalten rechtliche Schranken, Datentransparenz fehlt.
• Qwen und Mistral: manche Modelle nutzen Apache 2.0 für die Inferenzarchitektur, halten die Trainingsdaten aber zurück. Nach OSAID sind auch sie Open Weights.

Ein Risiko wird in der Debatte oft übersehen: Offene Gewichte sind meist das Ergebnis kurzfristiger Firmenentscheidungen. Es gibt keine öffentliche Institution, die den Nachschub sichert. Verschieben sich die Interessen der Konzerne, versiegt der Strom neuer Modelle von einem Tag auf den anderen.

Die Gegenüberstellung zwischen Open Source und Open Weights KI

Tabelle: Gegenüberstellung Open Source und Open Weights KI

Der Praxisfall: Kimi-K3

Wie sehr die Unterscheidung inzwischen mit Machtfragen verknüpft ist, zeigt Kimi-K3 von Moonshot AI, veröffentlicht im Juli 2026). Mit 2,8 Billionen Parametern ist es das mit Abstand größte offene Modell der Welt, fast dreimal so groß wie der Vorgänger Kimi-K2.6.

Moonshot hat dafür nicht einfach bekannte Architekturen hochskaliert, sondern an mehreren Stellen umgebaut:

• Kontextfenster und Kimi Delta Attention (KDA): K3 verarbeitet 1 Million Tokens am Stück, etwa 1.573 A4-Seiten oder ganze Code-Repositorien. Klassische Attention wächst bei solchen Längen quadratisch. Die hybride lineare KDA dekodiert bei sehr langen Kontexten bis zu 6,3-fach schneller und macht das Fenster praktisch nutzbar.
• Attention Residuals (AttnRes): Repräsentationen werden selektiv über die Schichten abgerufen statt gleichmäßig aufsummiert. Das steigert die Trainingseffizienz um rund 25 Prozent, bei unter 2 Prozent zusätzlichem Rechenaufwand.
• Stable LatentMoE: Ein monolithisches 2,8-Billionen-Modell wäre pro Abfrage unbezahlbar. K3 besteht aus 896 spezialisierten Experten-Netzwerken, von denen pro Token exakt 16 anspringen. Das entspricht einer Aktivierungsrate von 1,8 Prozent. Ein Quantile-Balancing-Mechanismus verteilt die Experten ohne anfällige Hyperparameter.
• Quantisierung: Das Training rechnet die spätere Quantisierung mit ein und arbeitet mit MXFP4-Gewichten und MXFP8-Aktivierungen.

Die Leistung wirkt sich messbar aus. Arena.ai setzte Kimi-K3 sofort mit einem Score von 1.679 auf Platz 1 der Frontend Code Arena, noch vor Claude Fable 5 und GPT-5.6 Sol. In langlaufenden agentischen Aufgaben rekonstruierte das Modell die astrophysikalische I-Love-Q-Relation in zwei Stunden, indem es über 20 Fachpapiere las und kreuzvalidierte. Forscher brauchen dafür ein bis zwei Wochen. In einem 48-stündigen autonomen Durchlauf entwarf und verifizierte K3 außerdem einen kompletten Mikrochip auf Basis der Nangate-45nm-Bibliothek, der in der Simulation über 8.700 Tokens pro Sekunde durchsetzte.

Und trotzdem: kein Open Source

Moonshot vermarktet K3 als „Open Frontier Intelligence“. Nach OSAID 1.0 ist es ein Open-Weights-System. Das Modell startete über APIs und eigene Plattformen zu 3,00 US-Dollar je Million Input-Tokens und 15,00 US-Dollar je Million Output-Tokens. Die Gewichte sollen am 27. Juli 2026 unter einer „Modified MIT“-Lizenz zum Download stehen, die weitreichende kommerzielle Nutzung erlaubt. Trainingscode und Data Information fehlen vollständig.

Marktbeobachter ziehen Parallelen zum DeepSeek-Moment. Der Vorsprung westlicher Labore, den man in Jahren gemessen hat, schrumpft auf Monate. Wirksam sind Exportkontrollen für KI-Technik damit kaum noch: Wer Frontier-Leistung will, lädt sie herunter, statt sich einer westlichen Cloud zu unterwerfen.

Was das für den Einsatz im Unternehmen bedeutet

Wer KI-Workloads in Produktion bringt, wählt praktisch zwischen drei Architekturen mit sehr unterschiedlichen Risiko- und Kostenprofilen. Es geht dabei um eine Make-or-Buy-Entscheidung:

1. Geschlossene proprietäre APIs

Sie mieten Intelligenz pro Token, etwa GPT-5.6 oder Claude. Der Start geht schnell, Infrastruktur brauchen Sie keine. Dafür tragen Sie die höchsten Compliance-Risiken: Blackbox bei den Gewichten, unangekündigte Modellwechsel, Preissprünge, Vendor Lock-in und Daten auf Servern außerhalb der EU-Gerichtsbarkeit.

2. Sovereign Cloud Hosting

Open-Weights-Modelle wie Llama 3 oder Kimi-K3 laufen bei europäischen Providern wie OVHcloud oder Scaleway. Datensouveränität steht im Vertrag, die API-Logik lässt sich leichter prüfen. Ein tragfähiger Mittelweg für viele Fälle.

3. On-Premises Self-Hosting

Das Modell läuft auf eigenen Servern, notfalls air-gapped ohne Internetverbindung. Sensible Telemetriedaten verlassen das Netzwerk nie, was Vorgaben wie NIS2 oder DORA deutlich einfacher macht. Bei hoher Auslastung werden aus variablen Token-Kosten planbare Investitionen. Der Preis dafür ist technischer Aufwand: Ein Modell wie Kimi-K3 braucht für produktive Inferenz Supernode-Konfigurationen mit 64 oder mehr KI-Beschleunigern.

Fazit: Open Source ist an strenge Voraussetzungen geknüpft

Die OSI hat mit der OSAID 1.0 einen Standard gesetzt und den Begriff „Open Source“ vor Verwässerung geschützt. Die Industrie hat parallel mit Open Weights einen Mittelweg gefunden, der die Verbreitung von KI-Fähigkeiten enorm beschleunigt, ohne die Daten preiszugeben.

Kimi-K3 zeigt, dass Open-Weights-Modelle die Spitzenmodelle leistungsmäßig eingeholt haben. Für Unternehmen sind sie zusammen mit On-Premises-Hosting der beste Hebel gegen Vendor Lock-in und für Datenhoheit unter europäischer Regulierung.

Ein Restrisiko bleibt: Bei einem ethischen Audit oder einem Urheberrechtsstreit können Open-Weights-Modelle problematisch sein. Wirklich aufgeklärt wäre die Lage erst, wenn die Fähigkeiten eines Kimi-K3 auf die Transparenz eines OLMo treffen.

FAQ

Was ist der wichtigste Unterschied zwischen echter Open Source AI und Open Weights?

Er liegt in Transparenz und Lizenz. Echte Open Source AI nach OSAID 1.0 verlangt offene Gewichte, vollständigen Trainings- und Inferenzcode sowie umfassende Angaben zu den Trainingsdaten, alles unter einer sehr freizügigen Lizenz wie Apache 2.0. Dritte können den Lernprozess wissenschaftlich nachbauen und auf Bias prüfen. Bei Open Weights, etwa Llama oder Kimi-K3, gibt es nur das fertig trainierte Modell zum Download. Trainingscode und Datenmischung bleiben Geschäftsgeheimnis, und die Lizenzen enthalten oft kommerzielle Beschränkungen oder Nutzergrenzen.

Warum veröffentlichen große Tech-Konzerne nicht einfach ihre Trainingsdaten?

Sammeln, Bereinigen und Kuratieren hochwertiger Daten kostet Hunderte Millionen Euro und ist der größte Wettbewerbsvorteil eines KI-Labors. Dazu kommt die rechtliche Lage: Riesige Web-Scrapes enthalten zwangsläufig urheberrechtlich geschütztes Material, fremdes geistiges Eigentum und personenbezogene Daten. Wer diese Rohdaten öffentlich macht, riskiert Massenklagen und Strafen der Datenschutzbehörden.

Was macht Kimi-K3 technologisch besonders?

Mit 2,8 Billionen Parametern ist es das erste offen zugängliche Modell dieser Größenklasse. Bemerkenswert ist die Sparsamkeit: Die Architektur aktiviert pro Berechnung nur einen kleinen Teil der Subnetzwerke. Die lineare Attention-Mechanik trägt ein Kontextfenster von 1 Million Tokens und lässt das Modell lange Programmier- und Analyseaufgaben autonom durchziehen, und das auf einem Niveau, das mit Claude Fable 5 oder GPT-5.6 Sol mithält.

Ist Kimi-K3 nach OSAID-Kriterien Open Source?

Nein. Die Gewichte kommen unter einer permissiven „Modified MIT“-Lizenz, die tiefe kommerzielle Eingriffe erlaubt. Trainingsdaten und Trainingscode bleiben aber unter Verschluss. Damit fehlt die Voraussetzung für die Anerkennung als echte Open Source AI. Es ist ein sehr starkes System mit intransparenter Entstehungsgeschichte.

Wie profitieren europäische Unternehmen von Open Weights unter dem EU AI Act?

Self-Hosting auf eigener Hardware hält Unternehmensdaten, geistiges Eigentum und Kundendaten im eigenen Netz, anders als bei geschlossenen US-Cloud-APIs. Das erleichtert DORA und NIS2 erheblich. Artikel 53 (2) des EU AI Acts erlässt Anbietern offener Modelle bestimmte Berichtspflichten. Zwei Grenzen bleiben: Über 10²⁵ FLOPs Trainingsaufwand gilt ein systemisches Risiko, dann greifen sofort strenge Prüf- und Meldepflichten. Und wer das Modell in Hochrisiko-Szenarien wie Medizin oder Personalwesen einsetzt, erfüllt sämtliche Sicherheits- und Auditpflichten selbst.