Chinas KI-Labore verwandeln Open Weights in vier verschiedene Strategien

Überblick über die Kolumne

Am 25. Juli nutzte Nvidia-CEO Jensen Huang seinen ersten ever Post auf X, um sein Name hinter etwas Ungewöhnliches zu stellen: einen gemeinsamen Brief, der unter anderem von Meta, Microsoft und Hugging Face mitunterzeichnet wurde. Darin argumentierten sie, dass Open-Weight-Modelle als fester Bestandteil der KI-Landschaft neben geschlossenen Frontier-Systemen stehen sollten, anstatt nur eine minderwertige Nachholstufe zu sein. Es wirkte mehr wie eine Grundsatzentscheidung denn wie eine Ankündigung eines bestimmten Produkts. Doch die Timing verlieh ihm eine seltsame Resonanz, denn in den Tagen vor und nach diesem Brief veröffentlichten vier chinesische KI-Labore vier Releases, die zusammen genommen den abstrakten Punkt des Briefes konkretisieren – und ihn gleichzeitig verkomplizieren. Moonshot AI, DeepSeek, Alibaba und MiniMax liefern derzeit allesamt Open Weights aus, tun dies aber nicht aus denselben Gründen oder auf dieselbe Weise. "Open Weight" ist keine einzelne Strategie, auf die diese Unternehmen konvergiert sind; es ist ein Label, das vier verschiedene Unternehmen mit vier unterschiedlichen Wetten füllen.

Ein Brief, der das sagt, was man eigentlich nicht laut aussprechen sollte

Was Huangs Brief bemerkenswert machte, war nicht die Argumentation an sich – zahlreiche Forscher haben bereits dargelegt, dass Open Weights die nachgelagerte Forschung beschleunigen und kleineren Entwicklern eine faire Chance geben, auf Fronttier-Technologie aufzubauen. Es waren vielmehr die Unterzeichner und der Zeitpunkt. Dass ein Hardwareunternehmen, ein Labor für Foundation Models, eine Cloud-Plattform und ein Hosting-Hub für offene Modelle öffentlich übereinstimmen, dass Open Weights kein Provisorium, sondern eine dauerhafte Kategorie sind, signalisiert, dass das kommerzielle Ökosystem rund um offene Modelle – Chips, Hosting, Fine-Tuning-Dienste, Enterprise-Deployment – reif genug geworden ist, um schriftlich verteidigt zu werden. Genau in diesem Ökosystem waren chinesische Labore in den vorangegangenen Monaten am aktivsten, weshalb ihre nahezu gleichzeitigen Releases im Vergleich zueinander gelesen werden sollten, statt als isolierte Nachrichtenbeiträge.

Moonshots Wette: Größer ist der Punkt

Moonshot AI war am wörtlichsten darin, was "Open Weight" als Marketing- und technischer Anspruch bedeuten kann. Am 19. Juli veröffentlichte es eine Preview-Version von Kimi K3 mit 2,8 Billionen Parametern und einem Speicherumfang im Million-Token-Maßstab. Am 28. Juli folgte eine Vollversion, die als das bisher größte veröffentlichte Open-Weight-Modell beworben wird und als Konkurrent zu den führenden geschlossenen US-Systemen in puncto Leistung positioniert ist. Ob der Anspruch "größtes Modell" der Prüfung standhält, wenn Benchmarks unabhängig reproduziert werden, sei dahingestellt; die strategische Logik ist auf ihren eigenen Begriffen lesbar: Moonshot betrachtet rohe Skalierung als eine Form der Glaubwürdigkeit im Open-Weight-Bereich. Die Argumentation lautet: Wenn man ein Modell verschenkt, dann verschenke eines, das groß genug ist, damit niemand die Open-Tier als billige Version der eigentlichen Sache abtun kann. Es ist die Wette darauf, dass die Skalierung selbst die Schlagzeile macht und dass diese Schlagzeile für Moonshot gerade mehr wert ist als ein schlankeres, effizienteres Modell.

DeepSeeks Zwei-Schienen-Strategie: Gewichte verschenken, Preise unterbieten

DeepSeek führt ein anderes Experiment durch, und es lohnt sich, festzustellen, dass es zwei bewegliche Teile hat, statt nur eines. Im April veröffentlichte das Unternehmen eine Open-Premiere von DeepSeek V4, einem Modell mit einer Billion Parametern und einem Kontextfenster im Million-Token-Maßraum – bequem im selben Skalierungsdiskurs wie Moonshots Veröffentlichung. Einen Monat später tat DeepSeek jedoch etwas, das mit Open Weights überhaupt nichts zu tun hat: Es machte einen Rabatt von 75 % auf den API-Preis seines Flaggschiffs V4-Pro dauerhaft, statt ihn als zeitlich begrenztes Angebot zu gestalten, und machte es so effektiv zum günstigsten Frontier-API auf dem Markt. Setzt man diese beiden Schritte zusammen, wird DeepSeeks Strategie als zweigeteilt und nicht als singulär deutlich. Open Weights dienen dem Publikum, das das Modell selbst hosten, fine-tunen oder direkt auditieren möchte; aggressive API-Preise dienen dem viel größeren Publikum, das einfach Inference ohne diesen Overhead möchte. DeepSeek wählt nicht zwischen "offen" und "günstig" als konkurrierende Identitäten – es nutzt jedes, um eine andere Kundengruppe zu erreichen, die vom jeweils anderen Ansatz nicht bedient worden wäre.

Alibabas Portfolio-Ansatz: Ein Flaggschiff, ein Spezialist

Das Qwen-Team von Alibaba hat einen anderen Weg eingeschlagen und behandelt Open Weights weniger als eine einzige Flaggschiff-Wette und mehr als ein Portfolio, das bewusst gefüllt wird. Qwen3-Coder, ein Modell mit 480 Milliarden Parametern, das speziell für Programmieraufgaben freigegeben wurde, und Qwen3-Max-Preview, ein allgemeines Flaggschiff mit einer Billion Parametern, kamen innerhalb von etwa sechs Wochen nacheinander heraus und waren eindeutig nicht dazu gedacht, miteinander zu konkurrieren – sie sollen verschiedene Aufgaben abdecken. Das ist eine bedeutend andere Open-Weight-Strategie als "das Größte veröffentlichen, was man hat". Es liest sich eher wie eine Produktlinie als wie ein einzelnes Produkt: ein Generalist-Modell für die breitestmögliche Entwicklerbasis und ein Spezialistenmodell für diejenige Nische – Code-Generierung und agentic Coding-Workflows –, in der die Unternehmensbereitschaft, für marginale Qualitätsverbesserungen zu zahlen, am höchsten ist. Abdeckung, nicht Skalierung, ist die leitende Idee.

MiniMax' engere Wette: Agenten, die sich selbst verbessern

MiniMax hat die schmalste Spur der vier gewählt und arguably die technisch spezifischste. M2.7, das im April als Open Weight veröffentlicht wurde, wird um eine selbstentwickelnde Agentenarchitektur herum positioniert, anstatt um allgemeine Chat- oder Reasoning-Fähigkeiten, mit gemeldeten Scores von 56,22 auf SWE-bench Pro und 57,0 auf Terminal-Bench 2 – Benchmarks, die die Fähigkeit eines Agents messen, echte Codierungs- und terminalbasierte Aufgaben autonom abzuschließen, nicht nur Fragen gut zu beantworten. Während Moonshot Skalierung verkauft und Alibaba Abdeckung verkauft, verkauft MiniMax eine Fähigkeit: ein offenes Modell, das auf der Idee basiert, dass ein Agent durch seine eigene Iteration bei einer Aufgabe besser werden sollte, anstatt ein größeres Basismodell oder mehr Fine-Tuning-Daten zu benötigen. Es ist die Wette darauf, dass die nächste Wettbewerbsachse bei Open-Weight-Modellen gar nicht die Parameteranzahl sein wird, sondern wie gut ein Modell als Kern eines autonomen Systems funktioniert.

Was "Open Weight" jedem einzelnen tatsächlich bringt

Stellt man diese vier nebeneinander, ist die interessante Schlussfolgerung nicht, dass chinesische KI-Labore alle entschieden haben, dass Open Weights die Zukunft sind – sondern dass sie jeweils etwas Unterschiedliches darüber concluded haben, wofür Open Weights sind. Für Moonshot sind Open Weights ein Skalierungsanspruch, der zugleich ein Glaubwürdigkeitsanspruch ist. Für DeepSeek sind sie die eine Hälfte einer Zwei-Schienen-Vertriebsstrategie, wobei der Preis die andere Hälfte der Arbeit erledigt. Für Alibaba sind sie eine Möglichkeit, Marktüberdeckung über ein allgemeines Flaggschiff und einen Coding-Spezialisten aufzubauen, ohne dass diese gegeneinander antreten müssen. Für MiniMax sind sie ein Vehikel für eine viel engere und technischere Wette auf die selbstgesteuerte Verbesserung von Agents. Jensen Huangs Brief behandelte "Open Weight" als eine Kategorie, die prinzipiell verteidigungswürdig ist. Was diese vier Releases zeigen, ist, dass der tatsächliche strategische Inhalt innerhalb dieser Kategorie enorm variiert – und dass diese Vielfalt, mehr als jedes einzelne Release, wahrscheinlich die nachhaltigere Geschichte darüber ist, wohin sich offene Modelle als nächstes entwickeln.