Offene KI-Modelle 2026: DeepSeek, Qwen und Kimi erklärt

Was bedeutet „offenes KI-Modell“?

„Offen“ ist eine Familie von Beschreibungen, keine Garantie. Ein Release mit offenen Gewichten gibt die endgültigen trainierten Parameter eines Modells weiter, die andere dann feinabstimmen, anpassen oder bereitstellen können, sofern die Lizenz es erlaubt. ^[4] Ein quelloffenes KI-System ist ein stärkerer Anspruch. Die Definition der Open Source Initiative verlangt drei Elemente unter von der OSI anerkannten Bedingungen: Informationen zu den Daten, die so detailliert sind, dass eine fachkundige Person ein im Wesentlichen gleichwertiges System bauen kann, den vollständigen Quellcode, mit dem das System trainiert und betrieben wird, und die Modellparameter. ^[1]

Diese Unterscheidung wirkt sich auf reale Entscheidungen aus. Gewichte können verfügbar sein, während Trainingsdaten und Trainingscode es nicht sind. Die Erläuterung der Open Source Initiative zu offenen Gewichten hält fest, dass sie sich von quelloffener KI unterscheiden, weil sie weder den Trainingscode noch den Trainingsdatensatz enthalten und auch keine umfassenden Angaben zu diesem Datensatz, wo er rechtlich nicht weitergegeben werden kann; ohne diese ist der Trainingsprozess schwer zu wiederholen oder zu prüfen. ^[4] Ein Modell kann also lokal einsetzbar, aber nicht vollständig reproduzierbar sein, oder seine Gewichte sind unter Bedingungen verfügbar, die bestimmte Nutzungen einschränken.

Stellen Sie vor der Wahl eines Release vier Fragen: Lassen sich genau diese Gewichte beziehen? Welche Lizenz gilt? Welche Laufzeitumgebung und welche Hardware können das gewählte Format laden? Welche Belege gibt es für die Aufgabe, auf die es ankommt? „Open Source“ ist keine Leistungsnote, keine Datenschutzgarantie und kein Versprechen, dass das Modell auf einen Laptop passt.

Die folgenden Abschnitte verwenden „offene Gewichte“, wenn sich die Belege auf Gewichte beziehen, und behalten „quelloffene KI“ der stärkeren Bedeutung auf Systemebene vor. So wird aus einer nützlichen technischen Unterscheidung kein Marketingkürzel.

Was ist zu DeepSeek V4 bestätigt?

Das Transparency Center von DeepSeek führt DeepSeek-V4 mit dem Veröffentlichungsdatum 24. April 2026 auf und verlinkt auf eine Modellkarte und einen technischen Bericht. ^[2] Im offiziellen Änderungsprotokoll heißt es, die API habe V4-Pro und V4-Flash ab dem 24. April 2026 unterstützt. Der Eintrag vom 10. September 2026 besagt, dass V4 Flash außer Betrieb genommen wurde und sein API-Name vorübergehend auf V4.1 Flash umgeleitet wird, und der mit Stand vom 11. November 2026 jüngste Eintrag, datiert auf den 17. Oktober 2026, hebt dieses Modell auf V4.1-Flash-1017 an. ^[6] Diese Angaben belegen Releases der Modellfamilie und die Entwicklung der API; sie bedeuten nicht, dass jede V4-Variante dieselben Gewichte, dieselbe Lizenz, denselben Preis oder dieselben Anforderungen an den lokalen Betrieb hat.

Die Ankündigung von DeepSeek vom 24. April 2026 bezeichnete V4 Preview als „open-sourced“, verlinkte auf die offenen Gewichte auf Hugging Face und beschrieb V4-Pro mit 1.6T Parametern insgesamt und 49B aktiven Parametern sowie V4-Flash mit 284B Parametern insgesamt und 13B aktiven Parametern. ^[7] „Open-sourced“ ist die eigene Wortwahl des Unternehmens; ob ein bestimmtes V4-Release die Definition der OSI erfüllt, hängt davon ab, was Repository und Lizenz tatsächlich bereitstellen. Diese Größenordnungen sind wichtig: Ein Modell kann pro Token weniger aktive Parameter als Gesamtparameter haben und trotzdem eine erhebliche Infrastruktur und umfangreiche Modelldateien benötigen. Schließen Sie nicht daraus, dass sich ein API-Modell bequem auf einem privaten Computer betreiben lässt.

Als Entwickler sollten Sie den API-Modellnamen von einem heruntergeladenen Checkpoint unterscheiden. Die Dokumentation von DeepSeek erläutert API-Namen und die Umleitung aus Kompatibilitätsgründen; das Transparency Center ist die geeignete Stelle, um ein großes Release zu bestätigen und seine Karte zu finden. ^[2][6] Für einen lokalen Betrieb sollten Sie die konkrete Modellkarte, die Quelle der Gewichte, die Lizenz und die unterstützte Laufzeitumgebung heranziehen, statt aus einem API-Namen Schlüsse zu ziehen.

Für allgemeine Leserinnen und Leser ist es hilfreich, DeepSeek als Familie zu verstehen: Unter verwandten Namen kann es große, gehostete und lokal nutzbare Optionen geben. Die praktische Wahl gilt dem genauen Release und dem Bereitstellungsweg, nicht der Treue zu einem Markennamen.

Worin unterscheiden sich Qwen3.8 und Kimi K3.1 Pro?

Qwen3.8-27B ist ein Vision-Language-Modell, dessen offizielle Karte 27B Sprachmodell-Parameter und eine Apache-2.0-Lizenz nennt; die Dateiübersicht von Hugging Face für das Repository weist eine Modellgröße von 28B Parametern aus. Laut der Karte enthält das Repository Gewichte und Konfigurationsdateien für das nachtrainierte Modell im Transformers-Format, und die Seite auf Hugging Face verlinkt auf quantisierte Versionen für llama.cpp, Ollama, LM Studio oder jede kompatible App. ^[3] Diese quantisierten Versionen liegen in getrennten Repositorys, prüfen Sie also, wer die jeweilige Version veröffentlicht hat. Damit ist es nur dann ein plausibler Kandidat für den lokalen Betrieb, wenn die gewählte Quantisierung, der Kontext und die Hardware zusammenpassen.

Kimi K3.1 Pro steht bei Größe und Lizenz anders da. Die Karte des Herausgebers nennt es ein multimodales Mixture-of-Experts-Modell mit offenen Gewichten, führt 2.8T Parameter insgesamt und 104B aktivierte Parameter auf und nennt eine Kimi-spezifische Lizenz. ^[5] Es kann technisch zugänglich sein, ohne die richtige lokale Wahl für gewöhnliche Hardware zu sein oder wie ein unter Apache lizenziertes Modell lizenziert zu sein.

Die beiden Releases zeigen, warum Parameterzahlen allein die Frage „Welches ist besser?“ nicht beantworten. Die 27B-Größe von Qwen lässt sich mit einer passenden Quantisierung möglicherweise leichter lokal testen. Die weitaus größere Dimension von Kimi zielt möglicherweise auf Infrastruktur mit deutlich mehr Arbeitsspeicher und Bereitstellungskapazität. Der richtige Vergleich betrifft Aufgabe, Ausgabequalität, Latenz, Kosten, Lizenz und Hardware – nicht die Behauptung, eine Familie gewinne jeden Benchmark.

Beide Karten sind Informationen des Herausgebers. Benchmark-Angaben und Beschreibungen der Fähigkeiten sollten als Ausgangspunkte für eine Evaluierung behandelt werden, nicht als Ersatz für das Testen repräsentativer Prompts, Sprachen und Fehlerfälle. Bei folgenreicher Nutzung sollten Sie einen menschlichen Prüfschritt und ein unabhängiges Verfahren zur Quellenprüfung beibehalten.

Welches offene Modell eignet sich wofür?

Um den lokalen Betrieb zu erlernen, wählen Sie das kleinste unterstützte Modell, das die gewünschte Sprache und Aufgabe bewältigen kann, und testen Sie es dann. Eine handhabbare Qwen-kompatible Quantisierung kann ein praktischeres erstes Experiment sein als ein weitaus größeres Release. Hugging Face dokumentiert Wege über lokale Apps für GGUF, MLX und andere Formate, darunter LM Studio, Ollama, llama.cpp und MLX LM. ^[8]

Bei einem gehosteten Arbeitsablauf kann eine API den Aufwand verringern, Gewichte herunterzuladen, eine Laufzeitumgebung zu wählen und Hardware zu unterhalten. Das ist eine Entscheidung für einen Dienst, keine Entscheidung für lokale Privatsphäre. Die API-Dokumentation von DeepSeek zeigt Änderungen von Modellnamen und API-Releases; Nutzer sollten die aktuellen Nutzungsbedingungen, die Preise und den Umgang mit Daten prüfen, bevor sie sensibles Material senden. ^[6]

Für ein Forschungs- oder Infrastrukturteam können sehr große Releases mit offenen Gewichten kontrolliertes Self-Hosting, spezialisierte Evaluierung oder Anpassung ermöglichen. Sie bringen auch zusätzlichen Betriebsaufwand mit sich: Gewichte beschaffen, Inferenzkapazität verwalten, Sicherheitsupdates einspielen, Lizenzen einhalten und die Ausgabequalität überwachen. Die Größe von Kimi K3.1 Pro veranschaulicht, dass die Verfügbarkeit von Gewichten diese Kosten nicht beseitigt. ^[5]

Bei multimodaler Arbeit sollten Sie die genaue Modellkarte prüfen, statt anzunehmen, dass jedes Modell Bilder, Videos oder Dokumente annimmt. Qwen beschreibt Qwen3.8-27B als Vision-Language-Modell, während die Karte von Kimi die Modalitäten Text und Bild beschreibt. ^[3][5] Das sagt für sich genommen nichts über die Genauigkeit bei einem bestimmten Bild oder Dokument aus, insbesondere in einem sensiblen Bereich.

Bei datenschutzsensibler Arbeit kann die lokale Ausführung die Weitergabe von Prompts an einen gehosteten Anbieter verringern, aber sie bedeutet nicht automatisch Privatsphäre. Modell-Downloads, Updates, lokale Protokolle, Backups, Plug-ins und über das Netzwerk erreichbare Server bleiben eigene Risiken. Die vollständigen Abwägungen zu Hardware und Datenschutz finden Sie im Leitfaden der Website zu lokaler KI.

Wie sollten Sie ein Modell mit offenen Gewichten bewerten?

Lesen Sie zuerst die Modellkarte. Bestätigen Sie Herausgeber, Modellrevision, Lizenz, vorgesehene Aufgabe, Architektur, Modalitäten, bekannte Einschränkungen und unterstützte Bereitstellungsformate. Die Karte ist keine Bescheinigung der Genauigkeit, aber sie ist die unmittelbarste Quelle dafür, was der Herausgeber nach eigenen Angaben veröffentlicht hat. ^[2][3][5]

Wählen Sie dann einen realistischen Testsatz. Verwenden Sie eine kleine Menge repräsentativer Prompts mit bekannten erwarteten Fakten, schwierigen Grenzfällen und der vorgesehenen Sprache. Vergleichen Sie die Ausgaben auf Richtigkeit, Vollständigkeit, Konsistenz und schädliche Selbstüberschätzung. Beurteilen Sie ein Modell nicht allein nach einer geschliffenen ersten Antwort oder einem einzelnen öffentlichen Benchmark.

Halten Sie die genaue Umgebung fest: Modellrevision, Quantisierung, Kontextgrenze, Laufzeitumgebung, Hardware, Prompting und Werkzeugzugriff. Zwei Nutzer können mit demselben benannten Modell unterschiedliche Ergebnisse erhalten, wenn sich diese Variablen unterscheiden. Diese Aufzeichnung macht es außerdem möglich, eine brauchbare Konfiguration zu reproduzieren oder einer schlechten Antwort nachzugehen.

Prüfen Sie die Lizenz, bevor Sie über das persönliche Experimentieren hinaus bereitstellen. Die Definition der OSI erläutert, dass quelloffene KI mehr umfasst als Gewichte, und die Erläuterung der OSI zu offenen Gewichten hält fest, dass Gewichte allein nicht ausreichen, um ein System vollständig zu nutzen, zu untersuchen, zu verändern und weiterzugeben. ^[1][4] Kommerzielle Nutzung, Weiterverbreitung, Feinabstimmung, die Nutzung in einem gehosteten Dienst und die Namensnennung können unterschiedlichen Bedingungen unterliegen.

Wenden Sie schließlich die Grenze für die Ausgaben an. Ein offenes Modell kann entwerfen, übersetzen, klassifizieren oder beim Erkunden von Informationen helfen. Es sollte ohne unabhängige aktuelle Belege und angemessenes fachliches Urteil nicht die letzte Instanz für rechtliche, finanzielle, medizinische, sicherheitstechnische oder sicherheitsrelevante Entscheidungen sein.

Wie betreiben Sie ein offenes Modell lokal, ohne durcheinanderzukommen?

Wählen Sie die Laufzeitumgebung, bevor Sie eine Modelldatei herunterladen. Hugging Face führt kompatible lokale Anwendungen und Formate auf: LM Studio unterstützt zum Beispiel GGUF- und MLX-Modelle, Ollama unterstützt GGUF, und MLX LM unterstützt MLX-Modelle zur Textgenerierung. ^[8] Eine Modelldatei im falschen Format ist kein nützlicher Download.

Beginnen Sie mit einer offiziellen Seite des Herausgebers oder einem etablierten Modell-Host und wählen Sie dann ein Format, das zum Computer passt. Die Seite auf Hugging Face für Qwen3.8-27B verlinkt auf quantisierte Versionen, während das 27B-Basis-Release selbst keine Aussage darüber ist, dass jedes Gerät jede Version laden kann. ^[3] Lassen Sie Speicherreserven für das Betriebssystem und den Kontext, statt die Größe eines Modells auf dem Datenträger als Gesamtbedarf zu betrachten.

Halten Sie den ersten Server lokal auf demselben Computer und testen Sie mit harmlosen Daten. Setzen Sie einen lokalen Modell-Endpunkt nicht dem öffentlichen Internet aus, nur um ihn von einem anderen Gerät aus zu nutzen. Wird später ein Netzwerkdienst benötigt, verwenden Sie Authentifizierung, halten Sie die Laufzeitumgebung auf dem aktuellen Patch-Stand und machen Sie sich klar, wer Prompts an ihn senden kann.

Nutzen Sie Versionsverwaltung für Konfigurationen und führen Sie Buch über die Modelllizenz. Ein lokales Modell kann technisch leicht zu betreiben, aber rechtlich für einen geplanten Dienst ungeeignet sein, oder umgekehrt. Ein geordnetes Experiment ist sicherer und nützlicher, als wiederholt riesige Dateien unklarer Herkunft herunterzuladen.

Wenn ein Modell keine guten Antworten liefert, ändern Sie jeweils nur eine Variable: ein kleinerer Kontext, eine andere Quantisierung, eine andere Laufzeitumgebung oder ein Modell, das besser zur Aufgabe passt. Eine größere Parameterzahl ist nicht das einzige Mittel.

Worauf sollten Leser bei offenen Modellen im Jahr 2026 achten?

Achten Sie sorgfältig auf die Identität eines Release. Die offiziellen Seiten von DeepSeek unterscheiden zwischen V4, V4-Pro, V4-Flash und den API-Änderungen zu V4.1-Flash. ^[2][6] Eine Schlagzeile, in der „DeepSeek V4“ steht, kann ein anderes konkretes Modell oder einen anderen Bereitstellungsweg meinen als den, den eine Leserin oder ein Leser nutzen möchte.

Achten Sie auf Lizenzen und Bereitstellungsdetails ebenso genau wie auf Fähigkeiten. Die öffentliche Seite von Qwen3.8-27B weist Apache 2.0 aus, während Kimi K3.1 Pro eine Kimi-spezifische Lizenz ausweist. ^[3][5] Diese Angaben sollten in den tatsächlichen Repositorys gelesen werden, weil ein Basismodell, eine Quantisierung aus der Community und ein Derivat unterschiedlich dokumentiert sein können.

Achten Sie auf Belege, die zur Aufgabe passen. Ein Coding-Benchmark entscheidet nicht über das Dokumentenverständnis, eine Angabe zu langem Kontext entscheidet nicht über die sachliche Richtigkeit, und die Bildunterstützung eines Modells entscheidet nicht über seine Zuverlässigkeit bei Bildern. Offene Releases erleichtern Tests und Anpassung, aber sie machen eine Evaluierung nicht überflüssig.

Achten Sie neben den Versionshinweisen auch auf betriebliche Veränderungen. Gehostete APIs können Endpunkte umbenennen, umleiten oder außer Betrieb nehmen, wie das Änderungsprotokoll von DeepSeek zu V4 zeigt. ^[6] Ein Team, das von einer API abhängt, sollte jeden Ersatz vor dem Produktiveinsatz testen und ein Ausweichverfahren bereithalten. Ein Team, das selbst hostet, muss stattdessen die Integrität der Downloads, Upgrades der Laufzeitumgebung, Speicherplatz und Kapazität einplanen. Keiner der beiden Wege ist dauerhaft wartungsfrei. Planen Sie ein Rollback, budgetieren Sie die Überwachung und dokumentieren Sie vor dem Start, wer für welche betriebliche Aufgabe verantwortlich ist.

Führen Sie eine Belegakte mit der Revision der Modellkarte, dem herangezogenen Lizenztext, der Version der Laufzeitumgebung, den Evaluierungs-Prompts und den beobachteten Fehlerbildern. Für ein persönliches Projekt ist das überschaubare Arbeit, für den Einsatz in Organisationen ist es unverzichtbar. So wird aus einer attraktiven Behauptung über ein offenes Release eine wiederholbare Entscheidung. Es hilft auch, eine Einschränkung des Modells von einem Fehler bei Quantisierung, Prompt-Gestaltung oder lokaler Konfiguration zu unterscheiden.

Die dauerhafte Wahl lautet nicht abstrakt DeepSeek gegen Qwen gegen Kimi. Sie gilt dem kleinsten, am klarsten lizenzierten und nachweislich leistungsfähigen konkreten Modell, das die Aufgabe in einer Bereitstellungsform erfüllt, die die Nutzerin oder der Nutzer pflegen kann.