Open-Weight-Modell

Open Weights vs. Open Source vs. proprietär

Drei Stufen von Offenheit werden regelmäßig vermischt. Ein proprietäres Modell (etwa die GPT- oder Claude-Familie) hält seine Weights geheim - erreichbar nur über die gehostete API des Anbieters, was bedeutet, dass die Prompts zu dessen Infrastruktur wandern. Ein Open-Weight-Modell veröffentlicht die trainierten Parameter unter einer Lizenz, sodass jeder es selbst betreiben kann, gibt aber nicht zwingend Code und Daten frei, die zur Reproduktion nötig wären. Ein echtes Open-Source-Modell geht weiter und veröffentlicht auch Trainingscode und -daten. Die Open Source AI Definition der Open Source Initiative zieht genau diese Grenze: Weights allein sind nicht "Open Source" ohne die Daten-Informationen und den Trainingscode, mit denen sich das Modell studieren und nachbauen lässt.

In der Praxis ist fast jedes heute als "Open Source" vermarktete Modell - darunter DeepSeek, Qwen und Gemma - eigentlich Open-Weight: die Weights erscheinen unter einer permissiven Lizenz (Gemma 4 zum Beispiel unter Apache 2.0), während die Trainingsdaten privat bleiben. Für die Nutzung eines Modells spielt der Unterschied selten eine Rolle, für die Frage, wer kontrolliert, wo es läuft - und damit, wohin die Daten gehen - dagegen sehr.

Warum Open Weights die Basis souveräner Inferenz sind

Da die Weights nur eine Datei aus Zahlen sind, tragen sie keine Verbindung zurück zum Ersteller. Eine Weights-Datei ist eine deterministische mathematische Funktion: gleiche Eingabe, gleiche Ausgabe - ohne einen Mechanismus, der Daten irgendwohin sendet. Wer die Weights hostet, kontrolliert den gesamten Datenpfad. Bei einer proprietären API sieht die Cloud des Modell-Erstellers jeden Prompt; läuft ein Open-Weight-Modell auf Infercom, hat der Ersteller nur Weights veröffentlicht und keinerlei Einblick, wie sie laufen - die Daten gehen stattdessen an unsere EU-Infrastruktur. Man kann sich veröffentlichte Weights wie ein gedrucktes Buch vorstellen: Sobald der Autor es herausgibt, weiß er nicht, in welcher Bibliothek es steht oder wer es liest.

Genau das macht Open Weights zur technischen Grundlage EU-souveräner Inferenz. Das Herkunftsland des Modells wird irrelevant dafür, wo die Daten liegen, weil der Ersteller nichts hostet - ein irgendwo trainiertes Modell kann europäische Nutzer vollständig unter EU-Jurisdiktion bedienen, wenn es auf europäischer Infrastruktur läuft. Anfragen an unsere EU-gehosteten Modelle laufen in einem Münchner Rechenzentrum, auf EU-Boden, nach EU-Recht, ohne US-Muttergesellschaft und ohne Exposition gegenüber dem US CLOUD Act. Auch der Rechtsrahmen kennt die Kategorie: Der EU AI Act sieht für freie und quelloffene General-Purpose-Modelle geringere Pflichten vor als für geschlossene.

Sind Open-Weight-Modelle gut genug?

Der Leistungsabstand, der früher einen Aufpreis für geschlossene Modelle rechtfertigte, ist für Alltags-Workloads weitgehend geschlossen. Unabhängige Tracker wie Epoch AI beziffern den Rückstand der besten offenen auf die besten geschlossenen Modelle in Monaten, nicht Generationen - und stellen fest, dass er nicht größer wird. Für die meisten Produktionsaufgaben - Chat, Extraktion, Code, Agenten - ist ein aktuelles Open-Weight-Modell konkurrenzfähig und lässt sich auf spezialisierter Hardware deutlich schneller ausliefern.

Open Weights zu betreiben erschließt zudem eine Dimension, die geschlossene APIs nicht bieten: die Kontrolle darüber, wo und wie sie laufen. Auf unserer Dataflow-Infrastruktur betreiben wir Open-Weight-Modelle wie MiniMax M2.7 und gpt-oss-120b mit Geschwindigkeiten weit jenseits typischer GPU-API-Anbieter - und halten dabei jede Anfrage innerhalb der EU. Herkunft wird zur Frage des Verhaltens, nicht der Datensicherheit - und die eigentliche Frage verschiebt sich von "kann der Modellhersteller meine Daten sehen" (architektonisch: nein) zu "vertraue ich meinem Inferenz-Anbieter".

Verwandte Begriffe