Open-Weight Models

Open-Weight Models sind KI-Sprachmodelle (Large Language Models, kurz LLMs) und andere große KI-Modelle, bei denen der Hersteller die trainierten Gewichte (die intern gelernten Zahlenwerte, die das Modell steuern) öffentlich zum Download stellt. Die Trainingsdaten (der Text-Fundus, mit dem das Modell gelernt hat) und der Trainings-Code bleiben dagegen unter Verschluss. Typische Vertreter sind Llama (Meta), Mistral und Mixtral, DBRX (Databricks), DeepSeek und Qwen; sie stehen damit zwischen rein API-gebundenen proprietären Modellen wie GPT-4, Claude oder Gemini und echten Open-Source-Modellen mit offenen Daten und offenem Code wie OLMo oder Pythia.

Was ist ein Open-Weight Model?

Ein Open-Weight Model ist ein KI-Modell (technisch: ein neuronales Netz), dessen gelernte Zahlenwerte, die Gewichte, auf einer öffentlichen Modell-Plattform wie [Hugging Face](https://huggingface.co/) (die zentrale Tauschbörse für KI-Modelle) frei heruntergeladen und im eigenen Rechenzentrum ausgeführt werden können. Zum Paket gehören drei Bausteine: die Gewichte-Dateien selbst (Standard-Formate wie safetensors oder gguf), eine Modellkarte (ein Datenblatt mit Angaben zu Architektur und Training) sowie eine Lizenz. Was in der Regel nicht mitkommt: der vollständige Trainingsdaten-Korpus (also welche Texte konkret verwendet wurden), der Trainings-Code, die exakten Trainings-Einstellungen (Hyperparameter) und die Filter-Rezepte für die Daten, und damit die Möglichkeit, das Modell von Grund auf nachzubauen.

Die Lizenzen reichen von wirklich freizügig bis stark eingeschränkt. Mistral 7B und Mixtral stehen unter Apache 2.0, DBRX Base und Instruct unter der [Databricks Open Model License](https://www.databricks.com/legal/open-model-license), Llama 2/3/3.1 unter der Meta-Community-Lizenz mit einer 700-Millionen-MAU-Klausel, Qwen unter der Tongyi Qianwen License mit eigenen Feld- und Umsatz-Beschränkungen. Für den kommerziellen Einsatz ist damit die Lizenzprüfung pro Modell Pflicht; „open" ist nicht gleichbedeutend mit „unbeschränkt nutzbar".

Der Begriff hat sich mit Meta Llama 2 im Juli 2023 etabliert, weil Meta selbst die Lizenz nicht als Open Source im OSI-Sinne bezeichnen konnte. Die [Open Source Initiative](https://opensource.org/ai/open-source-ai-definition) hat im Oktober 2024 mit der Open Source AI Definition v1.0 klargestellt, dass echte Open-Source-KI auch Informationen zu den Trainingsdaten und zum Trainings-Code voraussetzt. Damit wurde die Trennung zwischen „open-weight" (Gewichte offen, Rest geschlossen) und „open-source" (Gewichte, Daten und Code offen) sprachlich geschärft.

Abgrenzung zu Open-Source, Proprietary und Source-Available

Die Kategorien überlappen im Sprachgebrauch, unterscheiden sich in der Praxis aber deutlich:

Gegenüber echten Open-Source-Modellen fehlen bei Open-Weight-Modellen die Reproduzierbarkeit und die vollständige Auditierbarkeit der Daten-Herkunft. Gegenüber proprietären Modellen bleibt die Modell-Version stabil kontrollierbar und im eigenen Kontext betreibbar. Ein Fine-Tune eines Open-Weight-Modells (etwa Llama 3.1 mit LoRA-Adapter) erbt die Lizenz der Basis und bleibt selbst ein Open-Weight-Modell.

Beispiel: Open-Weight Model in einer Enterprise-Umgebung

Ein typischer Einsatz zeigt die Rolle der Kategorie im Modell-Stack. Ein deutscher Konzern will einen internen Wissensassistenten betreiben, ohne dass Anfragen und Firmendokumente an einen US-API-Anbieter fließen. Die Wahl fällt auf Llama 3.1 70B oder DBRX Instruct als Open-Weight-Modell, das im eigenen Azure- oder AWS-Konto ausgerollt wird (entweder direkt auf GPU-Instanzen oder über eine Managed-Serving-Plattform). Auf Databricks lassen sich Open-Weight-Modelle über die [Foundation Model APIs](/insights/databricks/artificial-intelligence/foundation-model-apis/) als Pay-per-Token-Endpoint konsumieren oder als Provisioned Throughput mit dedizierter Kapazität und stabilen Latenzen bereitstellen.

Die Fach-Anpassung passiert über LoRA-Adapter oder [Continued Pretraining](/insights/glossar/continued-pretraining/) auf Domain-Korpora; die Trainings- und Inferenz-Infrastruktur dafür stellt [Mosaic AI Training](/insights/databricks/artificial-intelligence/mosaic-ai-training/) bereit. Der Modell-Stand bleibt reproduzierbar, die Daten bleiben in der eigenen Umgebung, und ein Wechsel zu einem anderen Open-Weight-Modell (etwa von Llama 3.1 auf Mistral Large oder DBRX) ist portabel möglich, weil Format und Serving-Stack im Kern gleich bleiben.