Offene Gewichte, offene Fragen: Was die letzten Monatsveröffentlichungen zeigen

Mozilla hat am 15. September Version 1.1 seines Berichts zum Stand der Open-Source-KI veröffentlicht, basierend auf Daten bis zum 1. September, wie Tom's Hardware berichtet. Die Hauptbefundung: Das beste offene Modell lag auf dem Artificial Analysis Intelligence Index drei Punkte hinter dem geschlossenen Spitzenreiter, kostete aber nur 60 Prozent des Preises und lag zwei Punkte hinter Claude Fable 5 bei 30 Prozent. Mozillas Schätzung anhand der METR-Daten zur Aufgabenhorizonte schätzt die Lücke zwischen offenen und geschlossenen Modellen auf etwa 4,4 Monate, im Einklang mit der Schätzung von vier Monaten von Epoch AI.

Das ist eine komprimierte Lücke. Sie wird aber auf eine sehr spezifische Weise gemessen.

Was die Vier-Monate-Zahl tatsächlich misst

Die Zahl basiert auf METR, einer Forschungsorganisation, die Modelle anhand der Länge der Aufgabe bewertet, die sie in der Hälfte der Fälle in menschlicher Arbeitszeit abschließen. Nach Mozillas geschätzter Anpassung bewältigen geschlossene Modelle Aufgaben, die menschlichen Experten 8 bis 12 Stunden in Anspruch nehmen. Offene Modelle erreichen dieses Niveau etwa vier Monate später. Mozilla berechnet die Verdopplung der Leistungsfähigkeit offener Modelle alle 3,9 Monate im Vergleich zu 5,5 Monaten für geschlossene Modelle. Der Bericht stützt sich auf eine Mozilla/SlashData-Umfrage unter etwa 1.400 Entwicklern, sowie auf OpenRouter-Verkehrsdaten und externe Benchmark-Indizes, wie Tom's Hardware berichtete. Mozilla ist die Non-Profit-Organisation hinter Firefox und ein Verfechter offener Modelle: TIME berichtete am 14. Juli, dass Mozillas Chief Technology Officer Raffi Krikorian den Bericht als teilweise Advocacy beschrieb.

Es gibt eine zweite Einschränkung in der Methodik. Die Vier-Monate-Lücke und die 30-Prozent-Preisangabe für Token werden API-zu-API auf gehosteten Endpunkten und zum Listenpreis gemessen. Das ist ein Vergleich, wie zwei Kategorien von Modellen verkauft werden, nicht nur, was sie können.

Die eigene Hardware-Chart des Berichts schärft den Punkt. Das beste offene Modell, das auf einem Server läuft, erzielt 52,6; das beste, das auf einer GPU läuft, erzielt 40. Der Rückgang vom Spitzenwert beträgt jeweils 10 und 23 Punkte, eine größere Lücke als die berichteten vier Monate. Der native MXFP4-Checkpoint von Kimi K3 benötigt etwa 1,56TB über 96 Shards, und Mozillas Serving-Konfiguration listet 64 oder mehr Beschleuniger, während vLLM mindestens acht GB300-GPUs erfordert, mit mehreren Knoten für Produktivverkehr. Der Bericht beschreibt dies als offen, aber nicht von den meisten ausführbar, die es besitzen. Tom's Hardware schätzte den Speicherbedarf im Juli auf knapp 1,5TB. Ein Gegenbeispiel im Bericht ist Thinking Machines' Inkling-Small, unter der Apache 2.0-Lizenz, dessen NVFP4-Version auf einer B300 bei einem Mindestwert von 180GB passt.

Also: herunterladbar, ja. Praktisch für ein kleines Team, manchmal nicht.

Die günstigen und nahen Benchmarks

Mozilla chartete auch die Ergebnisse von vals.ai's Terminal-Bench 2.1, die jedes Modell durch denselben Harness führen, die Softwareebene, die einem Modell seine Werkzeuge bietet. Auf dieser Liste erzielte Z.ai's GLM-5.2 innerhalb eines Punktes von Claude Opus 4.7 und etwa vier Punkten hinter Opus 4.8, bei weniger als einem Fünftel der Kosten pro Test. Auf OpenRouter, einem Marktplatz, der Entwicklerverkehr auf Hunderte von Modellen leitet, zählte Mozilla acht der zehn besten Modelle nach August-Token-Volumen als offene Gewichte, sieben von ihnen chinesischer Bau. Geschlossene Anbieter nahmen dennoch 96 Prozent der Einnahmen der Modellschicht auf OpenRouter von Mai bis September 2025 ein, laut der Linux Foundation.

Krikorian sagte Ars Technica in einer E-Mail, dass Mozilla die Entscheidung, für geschlossene Modelle zu zahlen, als arbeitslastspezifisch und nicht organisationsbezogen sieht.

Die Daten enden am 1. September, und die Listen haben sich seitdem bewegt. Artificial Analysis verschob seinen Index auf v4.3 mit einem anderen Bewertungssatz; die Live-Liste zeigt Claude Fable 5.1 bei 53 auf seiner höchsten Anstrengungseinstellung mit Kimi K3 bei 44, Zahlen, die nicht mit den v4.1.1-Werten vergleichbar sind, die Mozilla chartete. Die Terminal-Bench 2.1-Liste von vals.ai, aktualisiert am 11. September, wird von GPT-6 Astra mit 87,27 % angeführt, mit Fable 5.1 bei 85,02 %. Mozillas eigene Chart-Legende lautet: „die Lücke setzt sich in jedem Veröffentlichungszyklus zurück.“

K3 trägt auch eine Anschuldigung, die im gemeinsamen Advisory AA26-251A von NSA/CISA/FBI vom 8. September detailliert wird. Die Behauptung, die Mozillas Bericht als „behauptet und nicht bewiesen“ darstellt, ist, dass Moonshot Claude Fable 5-Daten extrahiert hat, um K3 durch Destillation zu trainieren, die Praxis, ein Modell auf den Ausgaben eines anderen Modells zu trainieren. Am 17. Juli hatte Artificial Analysis K3 bei 57 im Vergleich zu Fable 5 bei 60; am 1. September hatte Mozilla es zwei Punkte zurück.

Offene Gewichte sind nicht Open Source, und diese Unterscheidung tut Arbeit

Die Open Source Initiative nutzte den Moment, um eine Linie zu ziehen. In einem Post vom 19. September argumentierte OSI, dass Open-Weight-Modelle es erlauben, einige der vier Softwarefreiheiten auszuüben, die Freiheit zu nutzen, zu studieren, zu modifizieren und zu teilen, ohne um Erlaubnis beim Rechteinhaber zu bitten, aber nicht alle und nur in einem bestimmten Maße. Ein Modell besteht aus drei Komponenten: Trainingsdaten, Gewichte und Parameter, und Code für Datenvorbereitung und Training. Offene Gewichte veröffentlichen nur die mittlere.

Mit offenen Gewichten können Sie entscheiden, ein Modell lokal auszuführen und nur für Strom und Hardware zu zahlen, oder mit einem Drittanbieter zusammenzuarbeiten, um es zu hosten. Sie können das Modell auch mit Ihren eigenen Daten feinabstimmen.

OSI's Beispiel für die Alternative ist Ai2's Olmo, veröffentlicht als Open Source AI, das es Forschern erlaubte, neue Informationen in die Trainingsdaten einzuspritzen und zu beobachten, wie das Modell sie memorierte oder vergaß. Mozillas Bericht zählt 16 bemerkenswerte offene Veröffentlichungen, aber Tom's Hardware stellt fest, dass keine die Datenrezeptur liefert, die die Definition der Open Source Initiative erfordert. OSI schätzt den Nachfragewert des Open-Source-Ökosystems auf 8.800.000.000.000 Dollar.

Diese Einordnung ist für die Politik wichtig, aber sie regelt nicht, ob offene Gewichte nützlich sind. Sie sind es offensichtlich, in engen Aufgaben.

Kleine Modelle, spezifische Aufgaben

Superwhisper veröffentlichte S1-mini, einen Textnormalisierer mit 0,6B Parametern für Speech-to-Text-Ausgabe, feinabgestimmt von Qwen/Qwen3-0.6B und lizenziert unter Apache 2.0 mit einer Namensklausel. Er nimmt ein rohes ASR-Transkript und schreibt es als sauberen geschriebenen Text neu: Füllwörter entfernt, falsche Starts gelöst, Zeichensetzung angewendet, gesprochene Zahlen und Daten in geschriebener Form dargestellt. Auf einem held-out Satz von 7.519 englischen Fällen erreicht er 94,8 % Token-Genauigkeit, und der quantisierte Build ist eine 462 MiB große Datei, die auf einer Laptop-CPU läuft. Die Modellkarte ist ungewöhnlich direkt über den Umfang: Es ist kein Chat-Modell, wird keine allgemeinen Anweisungen befolgen, deckt nur Englisch ab und erwartet eine Kontrollzeile oben in der Eingabe. Seine Parameteranzahl ist auch eine kleine Lektion im Lesen von Modellkarten: Die Hub-Seitenleiste berichtet 0,8B, aber die Karte erklärt, dass lm_head.weight als materialisierte Kopie der Eingabe-Einbettung gespeichert wird, sodass die 155,6M-Parameter-Einbettung doppelt gezählt wird, 751,6M Tensor-Elemente gegenüber 596,0M eindeutigen Parametern.

Ein zweites Beispiel stammt aus einem Praktiker-Bericht, nicht von einem Anbieter. James Cruce beschrieb am 22. September, einen deterministischen Router in seinem eigenen Agentensystem durch Laya zu ersetzen, ein Open-Weight-typed-Decision-Modell von convaiinnovations mit etwa 421.000.000 Parametern, einem ModernBERT-large-Encoder und einer 1.024-Token-Grenze. Es gibt typisierte Antworten zurück, eine Wahl unter benannten Optionen, eine Punktzahl auf einer geordneten Skala oder eine Wahrscheinlichkeit für eine Ja-oder-Nein-Aussage, statt Prosa zu parsen. Er wählte es gegenüber TypeSafe's gehostetem Jev, das 0,042 Dollar pro Million Eingabetoken auflistet, ohne Ausgabe-Token-Gebühr und Wahlen mit bis zu 255 Optionen behandelt, weil er Routine-Entscheidungen lokal auf einem Mac Studio mit M3 Ultra und 256GB einheitlichem Speicher laufen lassen wollte. Er ist explizit, dass dies eine einzelne Implementierung ist: Er hat nicht getestet, ob Laya Jev im Allgemeinen schlägt, und behandelt das Modell als Recommender in einem Programm, nie als Quelle für Erlaubnis oder Wahrheit. Die Modellkarte warnt, dass es überkonfiguriert ist und domänenspezifische Kalibrierung benötigt.

Das sind die Fälle, in denen offene Gewichte aufhören, ein geopolitisches Argument zu sein, und eine Engineering-Entscheidung werden. Ein 462 MiB Normalisierer und ein 421M Entscheidungsmodell sind keine Frontier-Systeme. Sie sind aber auch die Art von Dingen, die ein Team festnageln, offline ausführen und ohne Einkaufsanruf audizieren kann.

Die Urheberrechtsfrage bleibt ungelöst

Die folgenreichste Open-Weight-Forschung des letzten Jahres betrifft das, was in den Gewichten ist. Ein Papier von A. Feder Cooper, Mark A. Lemley und sieben Co-Autoren, erstmals am 18. Mai 2025 eingereicht und bis zum 20. Juli 2026 revidiert, misst die Memorierung von Büchern über 200 Titel und 14 Open-Weight-LLMs, durch mehr als 3.000 Experimente. Das Abstract stellt fest, dass die meisten LLMs die meisten Bücher nicht memorieren, weder ganz noch teilweise, aber dass es bemerkenswerte Ausnahmen gibt. Llama 3.1 70B memorisiert einige Bücher vollständig, einschließlich Harry Potter and the Sorcerer's Stone; die Autoren schreiben, dass man das ganze Buch fast wörtlich deterministisch extrahieren kann, indem man die ersten wenigen Wörter des Buches als Initialprompt verwendet.

Die Rahmung des Papiers ist absichtlich unbequem für beide Seiten der Urheberrechtskämpfe. Es stellt fest, dass Kläger und Beklagte umfassende, gegensätzliche Behauptungen aufstellen, die das Verhältnis zwischen Memorierung und Urheberrecht dramatisch vereinfachen, und dass seine Ergebnisse erhebliche Implikationen für Urheberrechtsfälle haben, wenn auch nicht solche, die unmissverständlich eine Seite bevorzugen. Das Papier wurde bei COLM 2026 angenommen.

Setzt man die beiden Stränge zusammen, ist das Bild des Monats weniger ordentlich, als es sich beide Lager wünschen. Offene Gewichte sind auf aggregierten Benchmarks nah genug an Frontier, um viel Arbeit neu zu bewerten, und drastisch billiger bei einigen davon. Sie sind häufig zu groß, um ohne ein Rack bedient zu werden. Sie sind nicht Open Source nach der Definition, die ein großer Teil der Gemeinschaft verwendet. Sie können wörtlichen Text aus Büchern enthalten, die niemand lizenziert hat. Und ein 0,6B-Modell, das Diktate aufbereitet, tut genau das, was es sagt.

Mozillas eigene Legende könnte die ehrlichste Zeile im Bericht sein: die Lücke setzt sich in jedem Veröffentlichungszyklus zurück.