Offene Modelle und ihre Herkunft
In einer Woche veröffentlichte Reflection ein starkes offenes Modell, DeepSeek aktualisierte seines, und Washington verbannte DeepSeek aus seinen Behörden. Die Qualität ist nicht mehr die Frage. Die Herkunft ist es.
Für ein Unternehmen, das eine eigene KI will, war die wichtigste Nachricht der vergangenen Woche kein neuer Chatbot. Es waren drei Dinge, die innerhalb weniger Tage geschahen: ein offenes Modell von Reflection AI, das auf einen einzigen Server passt, neue Gewichte für das offene Modell von DeepSeek und eine Anordnung der US-Regierung, die DeepSeek aus ihren zivilen Behörden entfernt. Zusammen sagen sie etwas Einfaches. Die offenen Modelle sind inzwischen gut genug für ernsthafte Arbeit, und die Frage hat sich von der Qualität zur Herkunft verschoben.
Beam: weniger Tokens, nicht billigere
Am 16. Oktober veröffentlichte Reflection AI Beam, sein erstes Open-Weight-Modell, unter der Lizenz Apache 2.0, die kommerzielle Nutzung und Änderungen erlaubt. Es hat 501 Milliarden Parameter, von denen pro Token 23 Milliarden aktiv sind. In 8-Bit- oder 4-Bit-Form passt es auf einen Server mit acht GPUs, etwa H100, H200 oder GB300. Die volle Version braucht «Dutzende GPUs», berichtete VentureBeat.
Reflection wirbt nicht mit billigeren Tokens, sondern mit weniger davon. Im Training bestrafte es das Modell für jedes Token, das es nicht brauchte, und nach VentureBeats Lesart der Grafik von Reflection verbraucht Beam in einem Coding-Test etwa 25'000 Tokens pro Versuch, wo GLM-5.2 etwa 80'000 benötigt. Es ist nicht das stärkste offene Modell. Auf Terminal-Bench 2.1 meldete VentureBeat für Beam etwa 80 Prozent, gegenüber 90,6 Prozent für DeepSeek V4.1 Flash und 85 Prozent für Kimi K3. Reflection sagt, Beam werde «durch Leistung gewinnen und durch nichts anderes».
DeepSeek: stärker und unter MIT-Lizenz
In denselben Tagen veröffentlichte DeepSeek aktualisierte Gewichte für V4.1 Flash, im Namen auf den 17. Oktober datiert. Die Model Card nennt es «ein kleines Update», mit Verbesserungen bei Reasoning, Programmierung, agentischen Aufgaben und Bildverständnis, und empfiehlt einen Kontext von einer Million Tokens. Die Lizenz könnte offener nicht sein: «Dieses Repository und die Modellgewichte stehen unter der MIT-Lizenz.»
DeepSeek hat zudem sein Angebot gestrafft. Im September leitete es alle Anfragen für sein grösseres V4 Pro auf V4.1 Flash um, «zu den Tarifen von V4.1-Flash», und begann, V4 Pro auslaufen zu lassen. Gemessen am Benchmark, den VentureBeat zitierte, ist es das stärkste der hier genannten offenen Modelle.
Washington zieht eine Grenze
Am 19. Oktober berichtete CyberScoop, das US-Heimatschutzministerium untersage zivilen Bundesbehörden die Nutzung von DeepSeek-Produkten, gestützt auf ein Gesetz zur Lieferkette von 2018. Die Behörden müssen vorhandene Versionen entfernen und dürfen keine neuen kaufen. Die Gründe betreffen Daten: DeepSeek speichert Daten auf Servern in China, und sein Ablauf von Prompt und Antwort «kann zur Übermittlung sensibler Daten» an die chinesische Regierung führen. Die Anordnung nennt nur DeepSeek, obwohl auch andere chinesische offene Modelle wie Kimi und Qwen ähnliche Bedenken ausgelöst haben.
Der Bericht sagt nicht, ob das Verbot auch die Gewichte von DeepSeek umfasst, wenn eine Behörde sie auf eigenen Servern betreibt, wo keine Daten irgendwohin fliessen. Diese offene Frage sollte sich jedes Unternehmen merken. Wer ein Modell im eigenen Haus betreibt, beantwortet, wohin die Daten gehen. Nicht beantwortet ist damit, woher das Modell kommt.
Was das für ein eigenes Modell bedeutet
Offene Gewichte auf eigenen Servern lösen die offensichtlichsten Probleme: Die Daten bleiben im Haus, und niemand kann das Modell an irgendeinem Dienstag ändern oder zurückziehen. Alle Probleme lösen sie nicht. Ein Modell ist auch ein Produkt mit einer Herkunft, einer Lizenz, Trainingsdaten und einem Verhalten, das niemand ausserhalb des Labors vollständig prüfen kann. Für eine Bank, eine Behörde oder einen Rüstungszulieferer lautet die Frage nicht mehr, ob ein offenes Modell gut genug ist. Sie lautet, ob seine Herkunft das nächste Audit besteht, den nächsten Kundenfragebogen oder die nächste Anordnung wie diese.
In der Praxis heisst das drei Dinge. Wählen Sie das Basismodell so bewusst wie die Lizenz: Apache 2.0 und MIT sind beide freizügig, aber keine der beiden sagt etwas über die Herkunft. Halten Sie das Modell austauschbar, sodass Wissen, Regeln und Tests des Unternehmens ausserhalb davon liegen und ein besseres oder sichereres Modell innert Wochen an seine Stelle treten kann. Und testen Sie jeden Kandidaten an Ihrer eigenen Arbeit, bevor er live geht, nicht nur an öffentlichen Benchmarks.
Wie Eigna damit umgeht
So ist Eigna gebaut, die private KI, die wir als Partner von Eigna Labs für Kunden aufsetzen. Sie beginnt mit einem offenen Modell, angepasst an das Fachgebiet des Kunden und trainiert auf seiner eigenen Arbeit, seinen Regeln und seiner Sprache, betrieben in seiner eigenen Cloud oder auf seinen eigenen Servern. Eine neue Version geht erst live, wenn sie in den Tests besser abschneidet als die letzte, und sie lässt sich in einem Schritt zurückschalten. Welches offene Modell darunter liegt, entscheiden wir mit jedem Kunden, die Herkunft eingeschlossen, und diese Entscheidung kann sich ändern, wenn ein besseres erscheint.
