Open Weights vs. Open Source: Unterschied bei KI-Modellen

Open Weights vs. Open Source: Unterschied bei KI-Modellen

Open Weights oder Open Source: Definition, Unterschiede, Lizenzen und Einsatz im Unternehmen. Warum ein LLM fast nie so Open Source ist wie Linux.

Konzepte
Aktualisiert am
5 Min. Lesezeit

Ein Open-Weight-Modell (ein Modell „mit offenen Gewichten“) ist ein KI-Modell, dessen Herausgeber die trainierten Gewichte veröffentlicht: Man kann es herunterladen, auf eigenen Servern ausführen und feinabstimmen. Die Trainingsdaten und der Code, die diese Gewichte erzeugt haben, bleiben dagegen meist verschlossen. Das unterscheidet es von einem Open-Source-Modell im Sinne der Open Source Initiative, das auch den Trainingscode und eine ausreichende Beschreibung der Daten liefern muss, damit ein Fachmann ein gleichwertiges System nachbauen kann.

Trotzdem vergeht keine Woche, ohne dass man in den Medien oder auf LinkedIn Meldungen über die Veröffentlichung von Open-Source-KI-Modellen liest … die in Wirklichkeit keine sind!

Spielen wir mit Worten? Uns scheint der Unterschied im Gegenteil ziemlich grundlegend.

„Open Source“ und „Open Weights“ (Weights = Gewichte) werden in Debatten über KI oft synonym verwendet. Dabei bezeichnen sie grundverschiedene Dinge.

Dieser Artikel beleuchtet die tatsächlichen Unterschiede zwischen beiden Konzepten, nennt Beispiele für Open-Weight-Modelle, die 2026 verfügbar sind, und erklärt, warum sich generative KI so schwer an das klassische Open-Source-Modell halten kann.

Was ist Open Source?

Open Source bedeutet vollständige Transparenz: Zugang zum gesamten Quellcode, die Möglichkeit, ihn zu ändern, zu prüfen und genau zu verstehen.

Nehmen wir Linux. Jede Codezeile ist sichtbar. Sie können Ihre eigene Version kompilieren, sie anpassen, verbessern oder den Code auf Schwachstellen prüfen lassen.

Diese Transparenz ermöglicht:

  • Vertrauen: Jeder Fachmann kann prüfen, dass es keine versteckten Lücken gibt
  • Kollektive Sicherheit: Tausende Augen finden und beheben Fehler schnell
  • Unabhängigkeit: kein Risiko, von einem einzigen Unternehmen abzuhängen

Aus dieser Philosophie sind Git, Apache, Firefox, PostgreSQL, Python … entstanden. Projekte, die zu den zuverlässigsten der Welt zählen und in Unternehmen massenhaft genutzt werden, auch kommerziell. Google und Microsoft gehören sogar zu den größten Beitragenden zu Open Source.

Die Gewichte eines LLM sind kein Quellcode

Ein LLM (Sprachmodell) wie GPT-5.2, Mistral 3 oder Gemini 3 ist kein klassisches Programm. Es ist eine mathematische Architektur mit Milliarden von „Gewichten“ (Weights): den Verbindungen im neuronalen Netz, Ergebnis eines Trainings, das mehrere Millionen Euro kostet.

Der entscheidende Unterschied: Die Gewichte eines LLM zu haben, ist nicht dasselbe, wie den Quellcode einer Software zu haben.

Es ähnelt eher dem Erhalt einer bereits kompilierten Software: Sie können sie ausführen, sehen aber nicht:

  • Die verwendeten Trainingsdaten
  • Die methodischen Entscheidungen (Algorithmen, Hyperparameter)
  • Die Optimierungsstrategien
  • Die unterwegs korrigierten Fehler

Ergebnis: eine leistungsfähige Maschine … aber undurchsichtig.

Was ist ein Open-Weight-Modell?

Während die Großen ihre großen Modelle geschlossen halten, veröffentlichen einige Akteure wie Mistral AI oder DeepSeek die Gewichte ihrer Modelle auf Hugging Face. Selbst OpenAI und Google tun das inzwischen für einige Modelle.

Von Gemini generierte IllustrationVon Gemini generierte Illustration

Diese Öffnung bringt echte Vorteile:

  • Das Modell auf Ihren Servern testen, ohne von einer externen API abzuhängen
  • Es für Ihre speziellen Bedürfnisse feinabstimmen (juristisches, medizinisches Vokabular …)
  • Ihre Daten auf Ihrer eigenen Infrastruktur behalten
  • Ihre Kosten kontrollieren
  • Der Community Innovation ermöglichen

Beispiele für Open-Weight-Modelle 2026

Die wichtigsten Open-Weight-Modelle, Stand 6. November 2026, mit der Lizenz, die auf ihrem Hugging-Face-Repository oder beim Herausgeber angegeben ist:

ModellHerausgeberLandLizenzKommerzielle Nutzung
gpt-oss (20b, 120b)OpenAIUSAApache 2.0Frei
Gemma 4GoogleUSAApache 2.0Frei
Llama 4MetaUSALlama 4 Community LicenseEigene Lizenz ab 700 Millionen monatlichen Nutzern
Mistral Large 3, Ministral 3Mistral AIFrankreichApache 2.0Frei
Mistral Large 4Mistral AIFrankreichMistral Ecosystem Open-Weight License (modifizierte MIT)Intern frei; kommerzielle Lizenz nötig, um es als Inferenzdienst weiterzuverkaufen
Qwen3.8-27BAlibabaChinaApache 2.0Frei
DeepSeek V4.1 FlashDeepSeekChinaMITFrei
Hy4 PreviewTencentChinaApache 2.0Frei

Permissive Lizenzen werden zur Norm: Google hat mit Gemma 4 seine eigenen Nutzungsbedingungen für Gemma zugunsten von Apache 2.0 aufgegeben, und in dieser Tabelle ist Meta der einzige US-Herausgeber, der an einer restriktiven Lizenz festhält. Umgekehrt hat Mistral AI Large 4 unter einer Lizenz veröffentlicht, die den Weiterverkauf als Inferenzdienst vorbehält, während die Mistral-3-Familie unter Apache 2.0 stand.

Auch die Größe zählt. Gemma 4 (31 Milliarden Parameter in der größten Version), Qwen3.8-27B oder gpt-oss-20b passen auf eine einzige Rechenzentrums-GPU, während Mistral Large 4 (etwa 1.000 Milliarden Parameter) oder Hy4 Preview (770 Milliarden) einen Server mit mehreren GPUs verlangen. Die Lizenzen ändern sich von Version zu Version, auch innerhalb derselben Familie: Geprüft wird Repository für Repository.

Open Weights vs. Open Source: der Unterschied in einer Tabelle

Open Source (OSI-Definition)Open WeightsProprietär
Gewichte herunterladbarJaJaNein (Zugang per API)
TrainingscodeJaSeltenNein
Informationen zu den TrainingsdatenJa, ausreichend, um ein gleichwertiges System nachzubauenTeilweise oder gar nichtNein
Ausführung auf Ihren ServernJaJaNein
Fine-TuningJaJaAuf die Optionen des Herausgebers beschränkt
BeispieleLLM360gpt-oss, Mistral, Qwen, DeepSeek, Gemma, LlamaGPT, Gemini, Claude

Der Begriff „Open Source“ bleibt also einer Handvoll Forschungsprojekten vorbehalten. Nahezu alle als „Open Source“ angekündigten Modelle sind in Wirklichkeit Open-Weight-Modelle.

Open-Weight-Lizenzen sind nicht gleichwertig

Die Veröffentlichung der Gewichte sagt nichts über die Nutzungsrechte aus. Diese legt die Lizenz fest, und sie unterscheidet sich stark von Herausgeber zu Herausgeber:

  • Permissive Lizenzen (Apache 2.0, MIT): kommerzielle Nutzung, Änderung und Weiterverbreitung frei. Das gilt für gpt-oss von OpenAI und für die gesamte Mistral-3-Familie, Mistral Large 3 eingeschlossen, im Dezember 2025 unter Apache 2.0 veröffentlicht.
  • „Community“-Lizenzen des jeweiligen Herausgebers: Kommerzielle Nutzung ist erlaubt, aber an Bedingungen geknüpft. Die Lizenz von Llama 4 verlangt zum Beispiel ab 700 Millionen monatlich aktiven Nutzern eine eigene Lizenz von Meta und regelt die erlaubten Nutzungen. Das ist einer der Gründe, warum die Open Source Initiative Llama nicht als Open Source betrachtet.
  • Modifizierte MIT-Lizenzen: Die Basis ist permissiv, aber eine bestimmte Nutzung ist vorbehalten. Die Lizenz von Mistral Large 4 erlaubt die interne Nutzung und die Integration in ein Produkt, verlangt aber einen kommerziellen Vertrag mit Mistral von jedem, der das Modell Dritten als Inferenz- oder Trainingsdienst anbieten will.

Für ein Unternehmen lautet die praktische Frage also nicht „Open Source oder nicht?“, sondern „Was erlaubt mir die Lizenz, und wer hat sie geschrieben?“.

Warum echtes Open Source bei LLM so schwierig ist

1. Die Trainingsdaten: das rechtliche Dilemma

Die Daten, mit denen LLM trainiert werden, stammen zu großen Teilen aus urheberrechtlich geschützten Werken: Bücher, Artikel, Webinhalte, wissenschaftliche Veröffentlichungen. Diese Daten wurden massenhaft ohne ausdrückliche Zustimmung der Urheber gesammelt.

Diese Daten zu veröffentlichen, birgt rechtliche Risiken. Die Rechtsstreitigkeiten in den USA und in Europa nehmen zu. Genau offenzulegen, welche Inhalte genutzt wurden, würde massive juristische Fronten eröffnen. Das ist ein strukturelles Problem, das eine Weiterentwicklung des Rechtsrahmens erfordert.

Auch wenn es auf Hugging Face Hunderttausende Datensätze gibt, sind die interessantesten Daten nicht frei von Rechten.

2. Reproduzierbarkeit ist extrem schwierig

Bei Linux können Sie mit dem Code exakt dieselbe Version neu kompilieren.

Bei LLM ist das viel komplizierter, selbst mit allem (Code, Daten, Gewichte):

  • Die Lernprozesse enthalten konstruktionsbedingt Zufall
  • Das Ergebnis schwankt von Training zu Training und von Hardware zu Hardware
  • Das Training zu wiederholen, kostet mehrere Millionen Euro

Perfekte Reproduzierbarkeit ist praktisch also außer Reichweite, auch wenn sie theoretisch möglich bleibt.

3. Verzerrungen und Halluzinationen: in den Gewichten allein nicht zu erkennen

Die Halluzinationen eines KI-Modells und seine Verzerrungen (Bias) sind das Gegenstück zu Lücken und Fehlern in Software.

Selbst mit Zugang zu den Gewichten kann man Verzerrungen oder Halluzinationen im Modell nicht „lesen“. Sie sind unsichtbar über Milliarden von Parametern verteilt.

Der einzige Weg, sie zu erkennen: das Modell in realen Situationen mit Benchmarks testen. Verzerrungen zeigen sich in der Nutzung, nicht bei der Inspektion.

Wirklich transparente Initiativen sind Ausnahmen

Einige Projekte versuchen, echter Transparenz näherzukommen. LLM360 ist ein bemerkenswertes Beispiel: Es veröffentlicht nicht nur die finalen Gewichte, sondern auch die Zwischen-Checkpoints und den vollständigen Trainingscode und teilt die Daten auf verantwortungsvolle Weise.

Solche Initiativen bleiben selten, weil sie zuerst die rechtlichen Probleme lösen müssen, was politischen Einsatz erfordert.

Welcher Ansatz passt zu Ihnen?

Für ein Unternehmen, das in KI investiert, lautet die Wirklichkeit weder „nur proprietäre Modelle“ noch „nur Open Weights“. Der richtige Ansatz kombiniert beides.

Open-Weight-Modelle bieten einen echten strategischen Nutzen für die Diversifizierung: Eine Kombination aus Open-Weight-Modellen (Mistral, Qwen …) und kommerziellen Modellen (GPT, Gemini …) kann die Abhängigkeit von einem einzigen Anbieter verringern und Kontinuität und Servicequalität verbessern.

Bei Ask This Guy zum Beispiel nutzen wir je nach Bedarf sowohl Open-Weight-Modelle (die wir auf einer oder mehreren europäischen Infrastrukturen hosten können) als auch kommerzielle Modelle. Wir verfolgen die Leistung jedes Anbieters in Echtzeit.

Gerade diese Vielfalt der Anbieter garantiert unseren Kunden ein besseres Serviceniveau.

Häufige Fragen zu Open-Weight-Modellen

Ist ein Open-Weight-Modell für die kommerzielle Nutzung kostenlos?

Die Gewichte lassen sich kostenlos herunterladen, die kommerzielle Nutzung hängt aber von der Lizenz ab. Permissive Lizenzen wie Apache 2.0 oder MIT (gpt-oss, Mistral 3) erlauben sie ohne besondere Bedingungen. Herstellereigene Lizenzen wie die von Llama erlauben sie mit Einschränkungen. Hinzu kommen die Kosten der Infrastruktur, auf der das Modell läuft: Die Gewichte sind kostenlos, die GPUs nicht.

Kann man ein Open-Weight-Modell lokal betreiben?

Ja, das ist sogar sein Hauptvorteil: Das Modell läuft auf Ihren Servern, ohne Daten an einen Anbieter zu senden. Die Einschränkung ist die Hardware. Ein Modell mit rund zwanzig Milliarden Parametern passt auf eine GPU, ein Modell mit mehr als 100 Milliarden braucht mehrere. Die Größenordnungen beschreiben wir in unserem Artikel über LLM on premise im Unternehmen.

Ist ein Open-Weight-Modell zwangsläufig souveräner?

Nein. Es erlaubt, nicht von der API eines Herausgebers abzuhängen, doch die Souveränität hängt auch davon ab, wo das Modell gehostet wird, wer diesen Hoster kontrolliert und welches Recht für ihn gilt. Ein Open-Weight-Modell, das ein amerikanischer Anbieter bereitstellt, bleibt amerikanischem Recht unterworfen. Siehe unsere Seite Souveräne KI: Definition und Kriterien.


(Bildnachweis Titelbild: Peter Adams, faces of Open Source)

Partager :

Ähnliche Artikel

Wähle eine Zahl zwischen 1 und 10: Warum KI 7 sagtKonzepte

Wähle eine Zahl zwischen 1 und 10: Warum KI 7 sagt

Wir haben sieben KI-Modelle 14.000-mal nach einer Zahl zwischen 1 und 10 gefragt. Fünf antworten fast immer 7, bei jeder Temperatur. Woher kommt der Bias?

8 min
Open-Source-KI im Unternehmen: Lizenzen und echte ErsparnisKonzepte

Open-Source-KI im Unternehmen: Lizenzen und echte Ersparnis

Open-Source-KI im Unternehmen: was jede Lizenz offener Modelle erlaubt, wie viel sie gegenüber APIs spart und warum ihre Regeln strenger werden.

MoE oder dichtes Modell: Mixture of Experts einfach erklärtKonzepte

MoE oder dichtes Modell: Mixture of Experts einfach erklärt

Mixture of Experts (MoE) oder dichtes Modell: wie beide Architekturen funktionieren, was sie für GPUs, Tempo und Preis bedeuten und welche passt.

6 min

Interesse an unseren Lösungen?

Erfahren Sie, wie Ask This Guy Ihre KI-Projekte beschleunigen kann

Demo buchen