Open Source oder Mogelpackung?

Warum Llama, DeepSeek und Qwen streng genommen gar nicht Open Source sind

Hast du in letzter Zeit mit Llama 3, DeepSeek-V3 oder Qwen experimentiert? Dann warst du höchstwahrscheinlich der Überzeugung, echte Open-Source-Künstliche-Intelligenz auf deinem Rechner oder Server zu nutzen. Immerhin heißen sie in Foren, Tech-Blogs und Pressemitteilungen fast überall so. Doch die unbequeme Wahrheit lautet: Du nutzt gar kein Open-Source-Modell. Was Meta, Alibaba und DeepSeek uns als „offene KI“ verkaufen, ist in Wahrheit etwas völlig anderes und der Unterschied ist keineswegs bloße Wortklauberei, sondern entscheidet über die Zukunft der gesamten Tech-Branche.

Willkommen bei AIFactum! In der Rubrik KI Modelle schauen wir hinter das Marketing-Geplänkel der Silicon-Valley-Giganten und chinesischen KI-Schmieden. Heute räumen wir mit einem der hartnäckigsten Mythen der aktuellen KI-Welle auf: Dem Mythos der „Open Source LLMs“.

Der große Etikettenschwindel: Was du wirklich herunterlädst

Wenn du heute auf Hugging Face ein Modell wie Llama 3.1 8B oder DeepSeek-R1 herunterlädst, bekommst du eine riesige Datei geliefert. Darin enthalten sind Milliarden von Zahlenwerten, die sogenannten Modellgewichte (Weights).

Diese Gewichte sind vereinfacht gesagt die Stellschrauben oder Regler, die während des monatelangen, Millionen Dollar teuren Trainingsprozesses eingestellt wurden. Sie bestimmen, mit welcher Wahrscheinlichkeit das Modell welches Wort als nächstes generiert.

Das ist fantastisch für Entwickler, denn mit diesen Gewichten kannst du das Modell lokal ausführen, anpassen (Fine-Tuning) oder in deine eigenen Anwendungen einbinden, ohne pro API-Call an OpenAI oder Anthropic zahlen zu müssen. Aber macht das ein Modell bereits zu Open Source?

Nein. Es macht es zu einem „Open Weight“-Modell.

Um zu verstehen, warum das so ist, müssen wir einen Blick auf die offizielle Definition werfen, die die IT-Welt seit Jahrzehnten prägt.

Die Dreifaltigkeit der Open Source Initiative (OSI)

Die Open Source Initiative (OSI) ist die Hüterin des Begriffs. Sie legt seit Ende der 90er-Jahre fest, was Open Source bedeutet und was nicht. Im Oktober 2024 hat die OSI nach jahrelangen Debatten mit Experten, Juristen und Entwicklern die offizielle Open Source AI Definition (OSAID v1.0) verabschiedet.

Laut dieser Definition besteht ein echtes Open-Source-KI-System zwingend aus drei Bausteinen, die unter freien Lizenzen offengelegt werden müssen:

┌─────────────────────────────────────────────────────────┐
│              Echtes Open Source KI-Modell               │
├─────────────────────────┬───────────────────────────────┤
│ 1. Modellgewichte       │ Die trainierten Parameter     │
│ 2. Trainingscode        │ Die Pipeline zum Trainieren   │
│ 3. Trainingsdaten-Infos │ Exakte Herkunft & Aufbereitung│
└─────────────────────────┴───────────────────────────────┘

Die Modellgewichte (Parameters): Die fertigen Stellschrauben sowie die Architektur-Spezifikation.
Der Trainings- und Ausführungscode (Source Code): Der komplette Code, mit dem das Modell gebaut, evaluiert und trainiert wurde.
Transparenz über die Trainingsdaten (Data Information): Eine so detaillierte Dokumentation und Bereitstellung der Daten, dass ein unabhängiges Team mit ausreichend Rechenleistung in der Lage wäre, ein im Wesentlichen gleichwertiges Modell von Grund auf neu zu trainieren.

Der Befund der Praxis

Schaut man sich die großen Namen der Szene an, wird schnell klar, wo die Mogelpackung liegt:

Meta (Llama 3): Gibt dir die Gewichte, behält aber die genauen Datensätze unter Verschlusssache. Zudem schränkt die Llama-Lizenz die kommerzielle Nutzung ab einer gewissen Nutzerzahl ein. Das widerspricht fundamental den Open-Source-Prinzipien.
DeepSeek (V3 / R1): Veröffentlicht zwar hervorragende Research Paper und die Gewichte, verschweigt aber die genauen, ungefilterten Rohdaten.
Qwen (Alibaba) & Mistral: Stellen exzellente Gewichte bereit, aber auch hier bleibt die „Secret Sauce“ der Datenaufbereitung ein Betriebsgeheimnis.

Von den drei geforderten Säulen liefern die Giganten also meistens nur eine einzige.

Warum blockieren die Hersteller die Transparenz?

Warum geben sich Meta, Alibaba und Co. so bedeckt, wenn sie sich doch so gerne als Wohltäter der Open-Source-Community inszenieren? Hinter den verschlossenen Türen stecken vor allem zwei knallharte Gründe:

1. Das Urheberrechts-Minenfeld (Copyright)

Moderne Large Language Models basieren auf Terabytes an Texten und Bildern aus dem gesamten Internet: Bucharchiven, Zeitungsartikeln, Foren und Social Media. Würde ein Hersteller wie Meta die exakte Liste aller verwendeten Trainingsdateien offenlegen, stünden am nächsten Morgen Hunderte von Anwaltskanzleien vor der Tür, um Milliarden-Klagen wegen Urheberrechtsverletzungen einzureichen. Die Datensätze geheim zu halten, ist der juristische Schutzschild der KI-Konzerne.

2. Das Geschäftsgeheimnis: „Data Curation“ ist die neue Geheimwaffe

Der reine Code für die Architektur eines Transformermodells ist heute kein Geheimnis mehr. Jeder erfahrene Data Scientist kann ein Grundgerüst programmieren. Der tatsächliche Wettbewerbsvorteil, die magische Zutat für extrem schlaue Modelle, liegt in der Datenbereinigung, -filterung und synthetischen Datengenerierung. Wer verrät, wie er seine Daten filtert und per Reinforcement Learning (RLHF) verfeinert, schenkt der Konkurrenz Jahre an Forschungsvorsprung.

Gibt es sie überhaupt noch? Die echten Open-Source-Modelle!

Ja, es gibt sie, sie stehen nur selten so extrem im Rampenlicht wie die Multimillionen-Dollar-Projekte aus Silicon Valley oder China.

Ein herausragendes Beispiel ist das OLMo-Projekt (Open Language Model) des Allen Institute for AI (AI2). Bei OLMo legen die Forscher wirklich alles offen:

Die Modellgewichte.
Den vollständigen Code für das Training und die Evaluierung.
Den gigantischen Open-Source-Datensatz Dolma (über 3 Billionen Tokens) inklusive der Werkzeuge, mit denen die Daten bereinigt wurden.

Wer OLMo herunterlädt, kann wissenschaftlich exakt nachvollziehen, warum das Modell bei einer bestimmten Frage genau diese Antwort gibt. Das ist echte Wissenschaft, echte Transparenz und echtes Open Source. Weitere Vorreiter in diesem Bereich sind Projekte wie Pythia von EleutherAI oder die LLM360-Initiative (mit Modellen wie Amber und CrystalLM).

Der direkte Vergleich auf einen Blick

Damit du bei der nächsten Diskussion am Kaffeetisch oder im Team-Meeting die Oberhand behältst, haben wir die Unterschiede hier übersichtlich zusammengefasst:

Kriterium	Closed Source (z. B. GPT-4o, Claude 3.5)	Open Weights (z. B. Llama 3, DeepSeek)	Echtes Open Source (z. B. OLMo)
Zugriff auf Modellgewichte	❌ Nein (nur per API)	✅ Ja (Download möglich)	✅ Ja (Download möglich)
Lokales Hosting möglich	❌ Nein	✅ Ja	✅ Ja
Code offengelegt	❌ Nein	🟡 Teilweise	✅ Ja (Vollständig)
Trainingsdaten transparent	❌ Nein	❌ Nein	✅ Ja (Inkl. Pipelines)
Kommerzielle Lizenzierung	Gebührenpflichtig	Oft Einschränkungen	Frei (z. B. Apache 2.0)
Reproduzierbarkeit	❌ Unmöglich	❌ Sehr schwer	✅ Vollständig gegeben

Fazit: Zeit für ehrliche Begriffe!

Verstehen wir uns nicht falsch: Dass Unternehmen wie Meta, DeepSeek oder Alibaba ihre Modellgewichte der Öffentlichkeit schenken, ist eine fantastische Entwicklung. Es demokratisiert den Zugang zu Hochleistungs-KI, schützt die Privatsphäre durch lokale Ausführung und treibt die Innovation im Eiltempo voran.

Aber Sprache prägt das Denken. Wenn wir zulassen, dass Konzerne den Begriff „Open Source“ für Marketingzwecke umdeuten und verwaschen, zerstören wir den Kern dessen, was die Open-Source-Bewegung seit Jahrzehnten ausmacht: unabhängige Überprüfbarkeit, absolute Transparenz und digitale Souveränität.

Ein Modell, dessen Trainingsdaten eine Blackbox sind, bleibt ein Sicherheits- und Bias-Risiko. Wir können nicht in den Kopf der KI schauen, wenn wir nicht wissen, womit sie gefüttert wurde.

Unsere Forderung an die Tech-Szene: Lasst uns aufhören, Llama, Qwen und DeepSeek fälschlicherweise als „Open Source“ zu adeln. Nennen wir sie das, was sie sind: Erstklassige Open-Weight-Modelle. Das zollt der Leistung der Entwickler Respekt, hält aber gleichzeitig den Anstand gegenüber der echten Open-Source-Community aufrecht.

Wie siehst du das? Ist die Unterscheidung zwischen Open Weights und Open Source für dich im Alltag relevant, oder zählt am Ende nur, dass das Modell lokal auf deinem Rechner läuft?

Hinweis: Dieser Artikel enthält Inhalte, die mit Unterstützung eines KI-Systems erstellt wurden. Die Inhalte wurden anschließend von einem Menschen mit ❤️ überprüft und bearbeitet, um Qualität und Richtigkeit sicherzustellen.