Open Weights

Open Weights bezeichnet die Veröffentlichungsform, bei der die trainierten Parameter eines KI-Modells zum Herunterladen freigegeben werden, während Trainingsdaten, Trainingscode und Feinabstimmungsdaten zurückgehalten werden.

Wer die Gewichte besitzt, kann das Modell auf eigener Hardware ausführen, anpassen und weitergeben – ohne Zugang zum Anbieter und ohne dessen Kenntnis. Wer sie nicht besitzt, erreicht das Modell nur über eine Schnittstelle, die der Anbieter jederzeit ändern, verteuern oder abschalten kann.

Der Begriff ist eine Abgrenzung, keine Auszeichnung. Er entstand, weil sich für Modelle, die weder proprietär noch quelloffen im überkommenen Sinn sind, keine der beiden vorhandenen Kategorien eignete. Die Frage, ob solche Modelle „Open Source“ heißen dürfen, wird gesondert unter Open-Source-LLM behandelt; hier geht es um die Veröffentlichungspraxis selbst.

Zusammenfassung

Open Weights ist Stand 2026 die verbreitetste Form von Offenheit bei generativen Modellen. Sie betrifft Sprachmodelle ebenso wie Bild-, Video- und Sprachsynthesesysteme.

Technisch bedeutet die Freigabe eine Datei mit Milliarden Zahlen – den Gewichten der neuronalen Verbindungen – meist begleitet von einer Konfigurationsdatei und einem Modellsteckbrief. Das genügt, um das Modell zu betreiben und durch Fine-Tuning zu verändern. Es genügt nicht, um es nachzubauen, seine Trainingsgrundlage zu prüfen oder festzustellen, welche urheberrechtlich geschützten oder personenbezogenen Daten in ihm verarbeitet wurden.

Aus dieser Asymmetrie folgen die beiden Debatten, die den Begriff prägen. Die eine betrifft die Nachvollziehbarkeit: Offene Gewichte erlauben unabhängige Prüfung des Verhaltens, aber nicht der Herkunft. Die andere betrifft die Unumkehrbarkeit: Eine einmal verbreitete Gewichtsdatei lässt sich nicht zurückrufen, und die eingebauten Sicherheitsvorkehrungen lassen sich mit geringem Aufwand entfernen.

Begriffsgeschichte

Die Unterscheidung wurde nötig, als 2023 mehrere Anbieter begannen, leistungsfähige Modelle als Datei zu veröffentlichen, ohne sie unter eine anerkannte Open-Source-Lizenz zu stellen.

Den Anstoß gab Metas LLaMA, im Februar 2023 zunächst nur auf Antrag an Forschungseinrichtungen abgegeben (Touvron u. a. 2023). Die Gewichtsdateien zirkulierten binnen einer Woche außerhalb dieses Kreises weiter. Das Ereignis machte anschaulich, was die Veröffentlichungsform bedeutet: Eine Gewichtsdatei verhält sich wie jede andere Datei, und eine Zugangsbeschränkung ist nur so lange wirksam, wie niemand sie durchbricht.

Bereits im selben Jahr schlugen Irene Solaiman und Mitarbeitende vor, Freigabe nicht als Ja-Nein-Entscheidung zu behandeln, sondern als Verlaufsgröße zwischen vollständig geschlossen und vollständig offen, mit abgestuften Zwischenformen wie gestaffeltem Zugang, Antragsverfahren und rein forschungsbezogener Lizenz (Solaiman u. a. 2023). Open Weights bezeichnet in dieser Ordnung eine bestimmte Stufe, nicht das Ende der Skala.

Ab 2024 wurde die Freigabe der Gewichte zum Wettbewerbsinstrument. Anbieter, die den geschlossenen Marktführern nicht auf Augenhöhe begegnen konnten, gewannen über offene Gewichte Verbreitung und Entwicklerbindung. Das Muster wiederholte sich bei Mistral AI und bei Alibabas Qwen-Reihe. Auch DeepSeek folgte ihm: Das V3-Modell erschien Ende 2024 unter offenen Gewichten (DeepSeek-AI 2024).

Im August 2025 gab OpenAI mit gpt-oss erstmals seit GPT-2 wieder Modellgewichte frei (OpenAI 2025). Der Schritt wurde als Zeichen dafür gelesen, dass offene Gewichte auch für Anbieter geschlossener Spitzenmodelle strategisch geworden waren.

Was die Freigabe leistet und was nicht

Die Gewichte sind das Ergebnis des Trainings, nicht seine Anleitung. Aus ihnen lässt sich weder rekonstruieren, welche Texte oder Bilder in das Training eingingen, noch mit welchen Verfahren nachjustiert wurde.

Vier Dinge werden dadurch möglich: der Betrieb auf eigener Hardware ohne Datenabfluss an Dritte; die Anpassung an eigene Aufgaben durch Fine-Tuning; die unabhängige Untersuchung des Modellverhaltens, einschließlich seiner Innenzustände; und die dauerhafte Verfügbarkeit unabhängig von Geschäftsentscheidungen des Anbieters.

Vier andere bleiben verschlossen: die Reproduktion des Modells aus seinen Grundlagen; die Prüfung der Trainingsdaten auf Urheberrechte, personenbezogene Daten und Verzerrungen; die Beurteilung der Angaben zum Trainingsaufwand; und jede Aussage darüber, was während des Trainings bewusst ausgeschlossen wurde.

Der Foundation Model Transparency Index misst diese Lücke seit 2023 systematisch und findet sie auch bei Anbietern, die sich Offenheit zuschreiben (Bommasani u. a. 2024). Für die Praxis, Offenheit zu behaupten und die aussagekräftigen Angaben zurückzuhalten, hat sich der Begriff Open Washing eingebürgert (Liesenfeld/Dingemanse 2024).

Anwendungsfelder

Außerhalb der Sprachmodelle prägte die Veröffentlichungsform vor allem die Bildsynthese. Die Freigabe der Gewichte von Stable Diffusion im August 2022 löste innerhalb von Monaten ein Ökosystem aus Oberflächen, Anpassungen und spezialisierten Ablegern aus, das kein geschlossenes System dieser Zeit erreichte.

In regulierten Umgebungen ist der Betrieb auf eigener Infrastruktur oft der ausschlaggebende Grund: Behörden, Krankenhäuser und Kanzleien können Modelle einsetzen, ohne Daten an einen externen Dienst zu geben. Für Sprachen und Fachgebiete ohne kommerzielles Angebot ist die Anpassung offener Gewichte häufig der einzige Weg zu einem brauchbaren System.

Kontroversen und Kritik

Unumkehrbarkeit. Eine veröffentlichte Gewichtsdatei lässt sich nicht zurückziehen. Sicherheitsvorkehrungen, die durch Nachtraining eingebaut wurden, lassen sich durch weiteres Nachtraining wieder entfernen – mit deutlich geringerem Aufwand, als ihr Einbau gekostet hat. Kritiker sehen darin eine dauerhafte Absenkung der Zugangsschwelle zu missbräuchlicher Nutzung.

Marginaler Zusatzschaden. Die Gegenposition bestreitet nicht die Unumkehrbarkeit, sondern die Zurechnung: Maßgeblich sei, wie viel ein offenes Modell zu dem hinzufügt, was ohne es ohnehin möglich wäre – über Suchmaschinen, Fachliteratur oder geschlossene Modelle mit umgangenen Schutzmechanismen. Für die bislang untersuchten Schadensfelder fällt dieser Zusatzbeitrag nach dieser Lesart geringer aus, als die Debatte nahelegt.

Konzentration statt Öffnung. Ein dritter Einwand richtet sich gegen die Erwartung, offene Gewichte verteilten Macht. Wer ein Modell dieser Größenordnung trainiert, braucht Rechenzentren, deren Zahl klein ist. Die Freigabe der Ergebnisse ändert daran nichts; sie kann Abhängigkeit sogar verstärken, wenn eine ganze Entwicklergemeinde auf der Modellfamilie eines einzelnen Konzerns aufbaut.

Regulatorische Sonderstellung. Der EU AI Act nimmt Modelle, die unter freier Lizenz veröffentlicht werden, von einem Teil der Transparenzpflichten aus. Ob offene Gewichte diese Ausnahme begründen, hängt an der Auslegung der Lizenzbedingungen – und damit an genau der Frage, die der Begriff Open Weights offenlässt (Liesenfeld/Dingemanse 2024).

Stand 2025/2026

Offene Gewichte sind Stand 2026 keine Randerscheinung, sondern die Betriebsform eines großen Teils der praktischen Modellnutzung. Der Abstand zu den geschlossenen Spitzenmodellen ist in den Standardvergleichen kleiner geworden, ohne zu verschwinden.

Zugleich ist die Praxis nicht gesichert. Mehrere Anbieter, die mit offenen Gewichten bekannt wurden, haben ihre Flaggschiffmodelle wieder geschlossen und geben nur noch kleinere Varianten frei. Die Freigabe ist eine Geschäftsentscheidung, die jederzeit zurückgenommen werden kann – für bereits veröffentlichte Gewichte allerdings nicht mehr.

Verwandte Begriffe

• Open-Source-LLM – die Lizenzfrage, die hier offenbleibt
• Llama – die Modellfamilie, an der sich der Begriff entzündete
• Mistral AI – europäischer Anbieter mit Open-Weights-Strategie
• DeepSeek – offene Gewichte auf dem Leistungsniveau der Spitzenmodelle
• Qwen – die weltweit meistgeladene Open-Weights-Linie
• Stable Diffusion – die Freigabe, die das Bildmodell-Ökosystem begründete
• Frontier Models – die Kategorie, die offene Gewichte unterlaufen
• Fine-Tuning – was der Besitz der Gewichte praktisch erlaubt
• EU AI Act – die Ausnahmeregelung für frei lizenzierte Modelle
• Jailbreaking – das Entfernen der Sicherheitsvorkehrungen

Quellenangaben

1. Bommasani, Rishi u. a., 2024. The Foundation Model Transparency Index v1.1. Stanford CRFM. arXiv: 2407.12929.
2. DeepSeek-AI, 2024. DeepSeek-V3 Technical Report. arXiv: 2412.19437.
3. 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.
4. 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 2024). DOI: 10.1145/3630106.3659005.
5. Open Source Initiative, 2024. The Open Source AI Definition 1.0. opensource.org, 28. Oktober 2024.
6. OpenAI, 2025. gpt-oss-120b & gpt-oss-20b Model Card. arXiv: 2508.10925.
7. Solaiman, Irene u. a., 2023. The Gradient of Generative AI Release: Methods and Considerations. In: Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2023). arXiv: 2302.04844.
8. Touvron, Hugo u. a., 2023. LLaMA: Open and Efficient Foundation Language Models. arXiv: 2302.13971.

← Zurück zur Lexikon-Übersicht