Open-Source-LLMs
Ob sich die Gewichte herunterladen lassen, entscheidet, wer das Modell kontrolliert: Sie können es feintunen, auf eigenen GPUs betreiben und offline halten — und tragen dafür Inferenzbetrieb, Updates und Störungsbehebung selbst.
Die Entscheidung zwischen offen und geschlossen ist selten eine Frage der Stärke. Sie ergibt sich aus vier Voraussetzungen: Darf das Datennetz verlassen, kann das Team den Betrieb stemmen, bleibt das Aufrufvolumen dauerhaft hoch, und wie groß ist der Abstand zur aktuellen Lösung?
Bei sensiblen oder regulierten Daten bleibt fast nur der Weg über offene Gewichte und eigenen Betrieb. Bei geringen Volumina und wöchentlich wechselnden Anforderungen ist die Flexibilität einer gehosteten API mehr wert. Die versteckten Kosten liegen im Betrieb: Inference-Serving, Performance-Tuning, Versionswechsel und Störungsbehebung — mit dem Download ist Open Source nicht erledigt.
Auch der Umfang der Öffnung unterscheidet sich. Qwen3-Omni veröffentlicht Instruct-, Thinking- und Captioner-Varianten unter Apache-2.0; MiniMax M2.1 nutzt eine Modified-MIT-Lizenz, zielt auf Coding- und Agentenlasten und nennt Werte wie SWE-bench Verified; andere Releases geben nur Gewichte heraus, ohne Trainingsdaten oder mit Nutzungsgrenzen. Die Lizenz zu lesen, bevor irgendetwas unterschrieben wird, bringt mehr als der Blick auf die Rangliste.
