Open-Source-LLM

Open-Source-LLM bezeichnet ein großes Sprachmodell, dessen Bestandteile öffentlich verfügbar gemacht werden – in der Praxis fast immer nur die trainierten Gewichte, seltener der Trainingscode, fast nie die Trainingsdaten.

Der Begriff ist der umstrittenste des gesamten Feldes, weil er ein Vokabular aus der Softwareentwicklung überträgt, in dem Quelloffenheit seit 1998 eine präzise, von der Open Source Initiative (OSI) kodifizierte Bedeutung hat.

Was bei einem Sprachmodell dem Quellcode entspricht – die Gewichte, das Trainingsprogramm oder das Korpus –, ist selbst Gegenstand der Auseinandersetzung. Von der Antwort hängen inzwischen nicht nur Marktpositionen ab, sondern auch regulatorische Pflichten.

Zusammenfassung

Die Debatte lässt sich auf drei Ebenen sortieren, die in der öffentlichen Berichterstattung regelmäßig ineinanderfallen.

Open Weights meint die Freigabe der Modellparameter zum Download, ohne Aussage über Lizenzbedingungen, Code oder Daten. Open Source im Sinne der OSI verlangt darüber hinaus eine Lizenz ohne Nutzungsbeschränkungen sowie den vollständigen Trainings- und Inferenzcode. Offene Trainingsdaten – die Publikation des Korpus selbst – erfüllt praktisch niemand, der auch nur in der Nähe der Leistungsspitze operiert.

Die im Oktober 2024 veröffentlichte Open Source AI Definition (OSAID 1.0) der OSI hat genau an diesem dritten Punkt einen Kompromiss geschlossen: Statt der Daten verlangt sie Datenauskunft. Der Kompromiss hat der OSI heftige Kritik aus dem eigenen Lager eingetragen, unter anderem von der Software Freedom Conservancy und von Bruce Perens, dem Verfasser der ursprünglichen Open Source Definition.

Praktisch relevant wird die Definitionsfrage durch drei Entwicklungen. Erstens durch Metas Llama-Familie, die sich selbst als Open Source vermarktet, deren Lizenz die OSI aber ausdrücklich als nicht quelloffen einstuft. Zweitens durch die europäische Regulierung: Die KI-Verordnung sieht für freie und quelloffene Modelle Ausnahmen vor, was die Begriffsfrage justiziabel macht.

Drittens durch die Sicherheitsdebatte, in der die Irreversibilität einer Gewichtsfreigabe und die nachgewiesene Entfernbarkeit von Sicherheitstraining gegen die Transparenz- und Wettbewerbsgewinne offener Modelle abgewogen werden. DeepSeek-R1 hat diese Debatte im Januar 2025 verschoben, weil erstmals ein frei ladbares Modell mit der proprietären Spitze konkurrierte.

Begriffsabgrenzung: Open Weights, Open Source, offene Daten

Die Analogie zur Software trägt nur begrenzt weit. Bei einem klassischen Programm ist der Quellcode die vom Menschen bearbeitete Form, das Binärprogramm das kompilierte Ergebnis; Zugang zum Quellcode heißt Zugang zur bevorzugten Form der Bearbeitung.

Bei einem Sprachmodell gibt es dieses Verhältnis nicht in derselben Klarheit. Die Gewichte sind kein Kompilat des Trainingscodes, sondern das Ergebnis eines stochastischen Optimierungsprozesses über einem Korpus – selbst mit identischem Code und identischen Daten wäre das Resultat nicht bitgenau reproduzierbar.

Wer die Gewichte hat, kann das Modell ausführen, weiterverwenden und per Fine-Tuning verändern; insofern verhalten sie sich eher wie eine bearbeitbare Quelle als wie ein Binärprogramm. Wer nur die Gewichte hat, kann das Modell aber nicht nachbauen, nicht prüfen, worauf es trainiert wurde, und keine Aussage darüber treffen, welche Urheberrechte, welche personenbezogenen Daten und welche Verzerrungen in ihm stecken.

Aus dieser Ambivalenz folgt die Dreiteilung. Open Weights beschreibt lediglich die Verfügbarkeit der Parameter – das trifft auf Llama, Qwen, Mistral-Modelle, DeepSeek und OpenAIs gpt-oss gleichermaßen zu, unabhängig davon, wie restriktiv die jeweilige Lizenz ist.

Open Source im engeren Sinn verlangt zusätzlich eine Lizenz, die Nutzung für jeden Zweck, Untersuchung, Veränderung und Weitergabe erlaubt, ohne Personengruppen oder Einsatzfelder auszuschließen. Offene Trainingsdaten schließlich sind die weitreichendste und seltenste Stufe: Nur wenige Projekte publizieren das Korpus, auf dem trainiert wurde, in einer Form, die eine unabhängige Nachbildung erlaubt.

Die empirisch fundierteste Bestandsaufnahme dieser Gemengelage stammt von Andreas Liesenfeld und Mark Dingemanse, die für die FAccT-Konferenz 2024 vierzig Textgeneratoren und sechs Text-zu-Bild-Systeme entlang mehrerer Offenheitsdimensionen bewertet haben.

Ihr Befund: Die bekanntesten kommerziellen Systeme sind bestenfalls open weight, während Trainingsdaten, Feinabstimmungsdaten und Dokumentation systematisch zurückgehalten werden. Für diese Praxis hat sich der Begriff Open Washing etabliert.

Begriffsgeschichte

Die Open Source Initiative wurde 1998 gegründet; ihre Open Source Definition geht auf die Debian Free Software Guidelines zurück und formuliert unter anderem, dass eine Lizenz weder Personen oder Gruppen diskriminieren (Punkt 5) noch bestimmte Einsatzfelder ausschließen darf (Punkt 6). Diese Kriterien waren zwei Jahrzehnte lang unstrittig, weil sie sich auf ein klar umrissenes Artefakt bezogen.

Mit der Freigabe großer Sprachmodelle ab 2019 begann die Übertragung. Früh setzten Forschungskollektive Maßstäbe, die später niemand mehr hielt: EleutherAI veröffentlichte 2020 den Pile und ab 2021 GPT-Neo und GPT-J, das BigScience-Konsortium 2022 BLOOM.

Als Meta im Februar 2023 LLaMA freigab – zunächst nur für Forschungszwecke, dann durch ein Leak faktisch allgemein verfügbar –, verschob sich das Zentrum der Debatte. Mit Llama 2 im Juli 2023 führte Meta eine eigene Community License ein und bewarb das Modell als Open Source. Die OSI widersprach öffentlich, und aus diesem Widerspruch entstand der Druck, eine eigene Definition für KI-Systeme zu erarbeiten.

Die Open Source AI Definition der OSI

Die OSI startete 2023 einen mehrstufigen Konsultationsprozess und veröffentlichte die Open Source AI Definition 1.0 am 28. Oktober 2024 auf der Konferenz All Things Open in Raleigh. Die Definition überträgt vier Freiheiten auf KI-Systeme: uneingeschränkte Nutzung, Untersuchung der Funktionsweise, Veränderung einschließlich des Ausgabeverhaltens und Weitergabe mit oder ohne Modifikation.

Verlangt werden dafür drei Komponenten: der vollständige Trainings-, Verarbeitungs- und Inferenzcode unter OSI-genehmigter Lizenz, die Modellparameter einschließlich Zwischen-Checkpoints und Optimiererzuständen – und, an der entscheidenden Stelle, nicht die Trainingsdaten, sondern Data Information.

Diese Datenauskunft ist definiert als hinreichend detaillierte Information über die verwendeten Daten, damit eine sachkundige Person ein weitgehend gleichwertiges System bauen kann. Konkret gefordert sind Beschreibungen aller Trainingsdaten samt Herkunft, Umfang und Merkmalen, die Offenlegung der Annotations- und Verarbeitungsverfahren sowie Listen der öffentlich verfügbaren und der von Dritten bezogenen Daten mitsamt Bezugsquellen.

Die OSI begründet den Verzicht auf die Daten selbst damit, dass Rechtsordnungen das Training auf Daten häufig erlauben, deren Weitergabe aber untersagen; Urheberrecht, Datenschutz und der Schutz indigenen Wissens werden genannt.

Hinzu kommt das Argument, Trainingsdaten seien kein Äquivalent zum Quellcode.

Die Kritik kam sofort und aus dem Kern der Bewegung. Bradley M. Kuhn von der Software Freedom Conservancy warf der Definition am 31. Oktober 2024 vor, sie verlange gerade keine öffentliche Reproduzierbarkeit des wissenschaftlichen Prozesses und erodiere damit die Bedeutung des Begriffs; die Begründung, eine strengere Definition hätte kein existierendes System erfüllt, sei das Eingeständnis, dass hier bestehende Industriepraxis nachträglich legitimiert werde.

Wie David Cassel im Dezember 2024 zusammentrug, schlossen sich unter anderem Bruce Perens an, der Verfasser der ursprünglichen Open Source Definition, ferner Entwickler aus dem Debian-Umfeld sowie Stimmen aus dem Unternehmenslager. Kuhn kündigte an, für den OSI-Vorstand zu kandidieren, um eine Rücknahme zu betreiben.

Als Gegenentwurf legte die Open Source Alliance im Januar 2025 eine Open Weight Definition vor, die den Zwischenzustand explizit benennt, statt ihn unter dem Etikett Open Source zu subsumieren.

Der Streitfall Llama

Meta bezeichnet Llama durchgängig als Open Source, verwendet aber seit Llama 2 eine eigene Lizenz. Zwei Klauseln sind für die Einordnung entscheidend. Erstens der Schwellenwert: Wer zum Veröffentlichungsdatum der jeweiligen Version im Vormonat mehr als 700 Millionen monatlich aktive Nutzerinnen und Nutzer hatte, muss bei Meta eine gesonderte Lizenz beantragen, die Meta nach eigenem Ermessen erteilt – oder eben nicht.

Zweitens die Namenspflicht: Abgeleitete Systeme müssen den Hinweis Built with Llama prominent führen und den Namensbestandteil Llama im eigenen Modellnamen tragen.

Hinzu kommt eine umfangreiche Acceptable Use Policy mit Verhaltensbeschränkungen. Bei Llama 3.2 fand sich dort zudem die Bestimmung, dass die Nutzungsrechte an den multimodalen Modellen Personen mit Wohnsitz und Unternehmen mit Hauptsitz in der Europäischen Union nicht eingeräumt werden – eine Einschränkung, die Meta bei Llama 4 im April 2025 fortsetzte und mit regulatorischer Unsicherheit begründete.

Die OSI hat ihre Position mehrfach bekräftigt. In einem Beitrag vom 18. Februar 2025 hielt Jordan Maris fest, dass die Llama-3.x-Lizenzen an drei Stellen scheitern: an der Freiheit, das Modell für beliebige Zwecke zu nutzen, an Punkt 5 der Open Source Definition wegen Diskriminierung von Nutzergruppen und an Punkt 6 wegen der Beschränkung von Einsatzfeldern.

Der Fall ist exemplarisch, weil hier nicht ein Randanbieter, sondern der zeitweise wirkmächtigste Verfechter offener Modelle den Begriff besetzt hält, ohne dessen Kriterien zu erfüllen.

Bemerkenswert ist eine Präzisierung, die in vielen Darstellungen fehlt: Die EU-Ausschlussklausel steht nicht im Lizenzvertrag selbst, sondern in der Acceptable Use Policy, auf die der Lizenzvertrag verweist.

Die wirklich offenen Projekte

Dem gegenüber stehen Vorhaben, die den vollständigen Stapel publizieren. EleutherAIs Pythia-Suite (Stella Biderman u. a., 2023) umfasst sechzehn Modelle von 70 Millionen bis 12 Milliarden Parametern, alle auf identischen öffentlichen Daten in identischer Reihenfolge trainiert, mit 154 Checkpoints je Modell und Werkzeugen zur Rekonstruktion der exakten Trainings-Dataloader.

Der Zweck ist ausdrücklich nicht Leistung, sondern Untersuchbarkeit: Pythia ist die Standardgrundlage geworden, auf der sich Fragen zu Memorisierung, Verzerrung und Trainingsdynamik überhaupt empirisch stellen lassen.

Das Allen Institute for AI verfolgt mit OLMo seit Februar 2024 dieselbe Linie und hat sie am weitesten getrieben.

Mit Olmo 3 (20. November 2025) veröffentlichte das Institut Modelle mit 7 und 32 Milliarden Parametern zusammen mit dem gesamten, von ihm model flow genannten Lebenszyklus: dem rund 9,3 Billionen Token umfassenden Korpus Dolma 3, den Zwischenmischungen für Mid- und Long-Context-Training, dem Post-Training-Datensatz Dolci sowie den Checkpoints aller Stufen.

Das BigScience-Projekt hatte 2022 mit BLOOM – 176 Milliarden Parameter, trainiert auf dem Korpus ROOTS in 46 natürlichen und 13 Programmiersprachen – den ersten Versuch dieser Art im großen Maßstab unternommen; BLOOM erfüllt die OSI-Definition allerdings nicht, weil es unter einer Responsible AI License mit Verhaltensbeschränkungen steht.

Die LLM360-Initiative (Zhengzhong Liu u. a., 2023) veröffentlichte mit Amber und CrystalCoder zwei Modelle mit je 7 Milliarden Parametern samt Trainingscode, Daten, Zwischen-Checkpoints und Analysen.

Die OSI selbst nennt in ihren FAQ Pythia, OLMo, Amber und CrystalCoder sowie Googles T5 als konform, während Llama 2, Grok, Phi-2 und Mixtral die Definition nicht erfüllen und BLOOM, StarCoder2 und Falcon sie mit Lizenzänderungen erfüllen könnten. Das Verhältnis dieser Liste zur Marktrealität ist der Kern des Problems: Kein Modell der Leistungsspitze steht auf der konformen Seite.

Die europäische Regulierungsdimension

Mit der KI-Verordnung der Europäischen Union ist die Begriffsfrage rechtlich scharf geworden, weil die Verordnung an freie und quelloffene Lizenzen Rechtsfolgen knüpft. Für KI-Systeme gilt die Verordnung grundsätzlich nicht, wenn sie unter einer solchen Lizenz bereitgestellt werden – es sei denn, sie werden als Hochrisikosysteme in Verkehr gebracht oder fallen unter die verbotenen Praktiken beziehungsweise die besonderen Transparenzpflichten.

Für Modelle mit allgemeinem Verwendungszweck gilt eine engere Ausnahme: Anbieter solcher Modelle unter freier und quelloffener Lizenz sind von der Pflicht zur technischen Dokumentation gegenüber Behörden und nachgelagerten Anbietern befreit, müssen aber weiterhin eine Urheberrechts-Policy vorhalten und eine hinreichend detaillierte Zusammenfassung der Trainingsinhalte veröffentlichen.

Für Modelle mit systemischem Risiko entfällt die Ausnahme vollständig. Näheres regelt der EU AI Act.

Damit entsteht genau die Konstellation, vor der Liesenfeld und Dingemanse gewarnt hatten: Ein Anbieter, der Gewichte unter permissiver Lizenz freigibt und ansonsten nichts offenlegt, kann regulatorische Erleichterung erlangen, ohne substantielle Transparenz zu liefern. Die Europäische Kommission hat mit ihren Leitlinien für Anbieter von Modellen mit allgemeinem Verwendungszweck vom Juli 2025 nachgeschärft.

Danach schließen Nichtkommerz- oder Nur-Forschungs-Klauseln, Weitergabeverbote, Nutzerzahlschwellen und Pflichten zur Einholung einer kommerziellen Lizenz die Ausnahme aus, während Namensnennung, Copyleft und verhältnismäßige, nicht diskriminierende Schutzvorkehrungen gegen Hochrisikonutzung zulässig bleiben.

Zusätzlich benennen die Leitlinien Monetarisierungsindikatoren, die die Ausnahme entfallen lassen – etwa Dual-Licensing, kostenpflichtigen Support oder werbefinanzierten Hosting-Zugang. Die Nutzerzahlschwelle ist dabei bemerkenswert: Sie trifft die Llama-Lizenz unmittelbar.

Kontroversen und Kritik

Sicherheit und Irreversibilität

Das Kernargument gegen offene Gewichte ist die Unwiderruflichkeit. Eine einmal verbreitete Gewichtsdatei lässt sich nicht zurückrufen, und Sicherheitsmaßnahmen, die im Nachtraining verankert sind, lassen sich entfernen.

Die empirische Grundlage dafür ist inzwischen belastbar. Pranav Gade und Kollegen zeigten 2023 für Llama 2-Chat 13B, dass sich das Sicherheitstraining mit weniger als 200 US-Dollar Aufwand entfernen lässt, ohne die allgemeinen Fähigkeiten zu beeinträchtigen.

Simon Lermen und Kollegen erreichten mit LoRA-Feinabstimmung für die 70-Milliarden-Variante Verweigerungsraten von etwa einem Prozent auf zwei Ablehnungs-Benchmarks, ebenfalls mit einem Budget unter 200 US-Dollar und einer einzelnen GPU.

Xiangyu Qi und Kollegen wiesen im selben Jahr nach, dass sich schon über eine kommerzielle Feinabstimmungs-Schnittstelle mit zehn Beispielen und Kosten unter 0,20 US-Dollar die Schutzmechanismen von GPT-3.5 Turbo aushebeln lassen – und dass selbst gutartige Datensätze die Sicherheitsausrichtung degradieren. Das letzte Ergebnis ist für die Debatte wichtig, weil es zeigt, dass das Problem nicht allein an der Offenheit hängt.

Die Gegenrichtung ist ebenfalls empirisch geworden. Rishub Tamirisa und Kollegen stellten 2024 mit TAR ein Verfahren vor, das Schutzmechanismen über Hunderte von Feinabstimmungsschritten hinweg stabil hält.

Weiter reicht ein Ansatz, der bereits im Vortraining ansetzt: Kyle O’Brien und Kollegen filterten 2025 unter dem Titel Deep Ignorance Inhalte zu Doppelnutzungsthemen aus den Trainingsdaten von Modellen mit 6,9 Milliarden Parametern und beobachteten Widerstandsfähigkeit gegen bis zu 10.000 Schritte und 300 Millionen Token gegnerischer Feinabstimmung – mehr als eine Größenordnung besser als nachträglich angebrachte Schutzmaßnahmen.

Die Einschränkung der Autorinnen und Autoren ist aufschlussreich: Die gefilterten Modelle verfügen nicht über das gefährliche Wissen, können es aber weiterhin verarbeiten, wenn es ihnen im Kontext zugeführt wird.

Wie die Abwägung insgesamt ausfällt, ist offen. Sayash Kapoor, Rishi Bommasani und Kollegen argumentierten 2024, die Forschung sei bislang nicht in der Lage, das marginale Risiko offener Modelle gegenüber bereits vorhandenen Technologien zu bestimmen; ein Großteil der Auseinandersetzung beruhe darauf, dass die Seiten unterschiedliche Teilaspekte mit unterschiedlichen Annahmen betrachten.

Elizabeth Seger und Kollegen hatten zuvor die entgegengesetzte Position bezogen: Für einige besonders fähige Modelle könne die Freigabe hinreichend extreme Risiken bergen, um die Vorteile zu überwiegen, weshalb alternative Zugangswege zu erproben seien.

Politische Ökonomie der Offenheit

Warum geben Unternehmen Gewichte überhaupt frei, deren Erzeugung dreistellige Millionenbeträge gekostet hat? Die gängigste Erklärung stammt aus der Softwareökonomie und geht auf Joel Spolskys Strategy Letter V von 2002 zurück: Kluge Unternehmen versuchen, die Komplemente ihrer Produkte zu kommodifizieren, weil die Nachfrage nach einem Gut steigt, wenn der Preis seiner Komplemente fällt.

Mark Zuckerberg hat diese Logik im Juli 2024 in eigenen Worten formuliert – der Verkauf von Modellzugang sei nicht Metas Geschäftsmodell, weshalb die offene Freigabe von Llama die eigenen Einnahmen nicht untergrabe.

Wer Werbung, Endgeräte oder Cloud-Infrastruktur verkauft, hat ein Interesse daran, dass Modelle billig werden; wer Modellzugang verkauft, hat es nicht. Dieselbe Logik erklärt, warum Freigaben zurückgenommen werden können, sobald sich das Geschäftsmodell verschiebt.

Die kritische Gegenposition bestreitet, dass Offenheit die Machtkonzentration mindert. David Gray Widder, Meredith Whittaker und Sarah Myers West identifizierten 2024 in Nature drei Leistungen offener KI – Transparenz, Wiederverwendbarkeit und Erweiterbarkeit – und argumentierten, dass keine davon die Konzentration bei Datensätzen, Rechenkapazität, Entwicklungsframeworks und Marktzugang auflöst.

Großkonzerne nutzten die Rhetorik der Offenheit, um regulatorischem Zugriff zu entgehen und unbezahlte Entwicklungsarbeit zu erschließen. Ohne flankierende Wettbewerbs- und Datenschutzpolitik, so ihr Schluss, demokratisiere Offenheit allein gar nichts.

Stand 2025/2026

Die Debatte hat sich seit Januar 2025 verschoben. DeepSeek-R1 wurde unter MIT-Lizenz freigegeben – also unter einer echten Open-Source-Softwarelizenz, wenn auch ohne offene Daten – und erreichte auf Reasoning-Benchmarks das Niveau der proprietären Spitze; die zugehörige Arbeit erschien im September 2025 begutachtet in Nature. Damit war das jahrelange Argument entkräftet, offene Modelle blieben strukturell zweitklassig.

OpenAI reagierte am 5. August 2025 mit gpt-oss-120b und gpt-oss-20b unter Apache 2.0, der ersten Gewichtsfreigabe des Unternehmens seit GPT-2; Mistral veröffentlichte am 2. Dezember 2025 Mistral Large 3 und die Ministral-3-Reihe ebenfalls unter Apache 2.0. Metas Position hat sich in der Gegenrichtung bewegt: Seit Mitte 2025 wird berichtet, dass die neu formierte Superintelligenz-Einheit erwägt, künftige Spitzenmodelle geschlossen zu halten.

Das Schwergewicht des offenen Ökosystems liegt inzwischen in China. Der Lagebericht des Hugging-Face-Teams vom März 2026 weist für 2025 einen Anteil chinesischer Modelle von 41 Prozent an allen Downloads aus, erstmals über dem US-amerikanischen Anteil; zugleich sank der Anteil der Industrie an der Modellentwicklung von rund 70 Prozent vor 2022 auf etwa 37 Prozent, während unabhängige Entwicklerinnen und Entwickler von 17 auf 39 Prozent zulegten.

Die Konzentration bleibt dennoch extrem: Die obersten 0,01 Prozent der Modelle vereinen knapp die Hälfte aller Downloads auf sich, und rund die Hälfte aller Modelle kommt auf weniger als 200 Downloads.

Kai Williams sah im Dezember 2025 Qwen als führende offene Modellfamilie und Kimi K2 Thinking als stärkstes offenes Modell überhaupt. Epoch AI bezifferte den Rückstand offener Modelle gegenüber der geschlossenen Spitze im Mai 2026 auf durchschnittlich rund vier Monate.

Regulatorisch bleibt die Lage in Bewegung. Der im November 2025 vorgelegte digitale Omnibus verschiebt Fristen der KI-Verordnung, ohne die Grundstruktur der Open-Source-Ausnahme anzutasten.

Die OSAID besteht als stabile Version 1.0 fort; ein von der OSI eingerichtetes Gremium soll ihre Pflege und Überarbeitung steuern, eine Version 1.1 ist Stand August 2026 nicht veröffentlicht. Der Begriff Open-Source-LLM bezeichnet damit weiterhin drei verschiedene Sachverhalte, je nachdem, wer ihn verwendet – mit der praktischen Konsequenz, dass er in genauen Kontexten kaum noch ohne Zusatz gebraucht werden kann.

Quellenangaben

Ai2, 2025. Olmo 3: Charting a Path Through the Model Flow to Lead Open-Source AI. allenai.org, 20. November 2025.
Bastian, Matthias, 2025. Meta Releases First Multimodal Llama 4 Models, Leaves EU Out in the Cold. The Decoder, 6. April 2025.
Biderman, Stella u. a., 2023. Pythia: A Suite for Analyzing Large Language Models Across Training and Scaling. arXiv: 2304.01373
BigScience Workshop / Le Scao, Teven u. a., 2022. BLOOM: A 176B-Parameter Open-Access Multilingual Language Model. arXiv: 2211.05100
Bridgwater, Adrian, 2025. Open Weight Definition Adds Balance To Open Source AI Integrity. Forbes, 22. Januar 2025.
Cassel, David, 2024. The Case Against OSI’s Open Source AI Definition. The New Stack, 5. Dezember 2024.
Europäische Kommission, 2025. Guidelines on the Scope of the Obligations for Providers of General-Purpose AI Models under the AI Act. Brüssel, Juli 2025.
Europäische Union, 2024. Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz. In: Amtsblatt der Europäischen Union L, 2024/1689, 12. Juli 2024. (Artikel 9 Risikomanagementsystem; Artikel 17 Qualitätsmanagementsystem.)
Gade, Pranav u. a., 2023. BadLlama: Cheaply Removing Safety Fine-Tuning from Llama 2-Chat 13B. arXiv: 2311.00117
Ghosh, Avijit u. a., 2026. State of Open Source on Hugging Face: Spring 2026.
Groeneveld, Dirk u. a., 2024. OLMo: Accelerating the Science of Language Models. arXiv: 2402.00838
Guo, Daya u. a. (DeepSeek-AI), 2025. DeepSeek-R1 Incentivizes Reasoning in LLMs through Reinforcement Learning. Nature, 645 (8081), 633–638. DOI: 10.1038/s41586-025-09422-z
Kapoor, Sayash u. a., 2024. On the Societal Impact of Open Foundation Models. arXiv: 2403.07918
Kuhn, Bradley M., 2024. Open Source AI Definition Erodes the Meaning of „Open Source”. Software Freedom Conservancy Blog, 31. Oktober 2024.
Lermen, Simon u. a., 2023. LoRA Fine-Tuning Efficiently Undoes Safety Training in Llama 2-Chat 70B. arXiv: 2310.20624
Liesenfeld, Andreas / Dingemanse, Mark, 2024. Rethinking Open Source Generative AI: Open-Washing and the EU AI Act. In: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’24). ACM, Rio de Janeiro. DOI: 10.1145/3630106.3659005
Liu, Zhengzhong u. a., 2023. LLM360: Towards Fully Transparent Open-Source LLMs. arXiv: 2312.06550
Maris, Jordan, 2025. Meta’s LLaMa License Is Still Not Open Source. Open Source Initiative, opensource.org, 18. Februar 2025.
Meta, 2024. Llama 3.1 Community License Agreement. github.com/meta-llama/llama-models
O’Brien, Kyle u. a., 2025. Deep Ignorance: Filtering Pretraining Data Builds Tamper-Resistant Safeguards into Open-Weight LLMs. arXiv: 2508.06601
Open Source Initiative, 2024. The Open Source AI Definition 1.0. opensource.org, 28. Oktober 2024.
OpenAI, 2025. Introducing gpt-oss. openai.com, 5. August 2025.
Qi, Xiangyu u. a., 2023. Fine-Tuning Aligned Language Models Compromises Safety, Even When Users Do Not Intend To! arXiv: 2310.03693
Seger, Elizabeth u. a., 2023. Open-Sourcing Highly Capable Foundation Models: An Evaluation of Risks, Benefits, and Alternative Methods for Pursuing Open-Source Objectives. arXiv: 2311.09227
Spolsky, Joel, 2002. Strategy Letter V. joelonsoftware.com, 12. Juni 2002.
Tamirisa, Rishub u. a., 2024. Tamper-Resistant Safeguards for Open-Weight LLMs. arXiv: 2408.00761
Widder, David Gray / Whittaker, Meredith / Myers West, Sarah, 2024. Why „Open” AI Systems Are Actually Closed, and Why This Matters. Nature, 635 (8040), 827–833. DOI: 10.1038/s41586-024-08141-1
Williams, Kai, 2025. The Best Chinese Open-Weight Models – and the Strongest US Rivals. Understanding AI, 15. Dezember 2025.
Zuckerberg, Mark, 2024. Open Source AI Is the Path Forward. about.fb.com/news, 23. Juli 2024.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.