Offenheit · Gewichte
Offenheit: die Lücke von 194 Tagen
Der Anteil offener Gewichte erreichte 2023 mit 38 % seinen Höchststand und fiel 2025 auf 17 %. Zwischen dem 26. Juni 2025 und dem 6. Januar 2026 liegen 194 Tage, in denen dieser Datensatz keinen einzigen Release mit offenen Gewichten verzeichnet — bei 16 geschlossenen, davon 12 mit Premierenanspruch. Trotzdem stammen 41 der 114 belegten Premieren von offenen Modellen.
Über offene Modelle gibt es zwei Erzählungen. Die eine sagt, offene Gewichte holten unaufhaltsam auf. Die andere sagt, sie seien abgehängt. Über 245 primärgeprüfte Releases gemessen ist keine von beiden richtig: der Anteil offener Gewichte schwankt seit vier Jahren um die 30 Prozent, ohne Trend nach oben — und mit einem Einbruch, der nicht dort liegt, wo man ihn vermuten würde.
72 der 245 Releases kamen mit offenen Gewichten, also 29 Prozent. Sie stammen von 31 verschiedenen Häusern — und liefern einen überproportionalen Anteil der belegten Premieren.
Kurve
Der Anteil offener Gewichte pro Jahr
Jede Zeile ist ein Jahr: wie viele Releases offene Gewichte hatten, wie viele proprietär blieben, und der Anteil daraus. Ein Trend nach oben wäre hier als Treppe zu sehen. Er ist es nicht.
| Jahr | Offen | Geschlossen | Anteil offen | Verhältnis |
|---|---|---|---|---|
| 2022 | 5 | 9 | 36 % | |
| 2023 | 14 | 23 | 38 % | |
| 2024 | 17 | 35 | 33 % | |
| 2025 | 7 | 34 | 17 % | |
| 2026 | 29 | 72 | 29 % |
Höchststand 38 Prozent (2023), Tiefpunkt 17 Prozent (2025), aktuell 29 Prozent (2026). Der höchste Wert des Datensatzes liegt damit drei Jahre zurück. Das Jahr 2026 ist noch nicht zu Ende — es umfasst bislang die Monate bis Juli.
Was in diesen 72 mitzählt
„Offen“ heißt hier: die Gewichte sind herunterladbar, nicht: die Lizenz ist OSI-konform. „Kimi K3 (Open Weights)“ vom 27. Juli 2026 zählt mit, obwohl seine Lizenz für kommerzielle Nutzung eine eigene Vereinbarung verlangt. Bei 2 der 72 Releases waren die Gewichte am Verifikationsdatum außerdem noch nicht verfügbar: Kimi K3 (16. Juli 2026) — Zum Launch nur über App und API; die Gewichte folgten am 27. Juli 2026 als eigener Eintrag. MiniMax H3 (31. Juli 2026) — Als Open-Weights-Modell angekündigt; die Gewichte folgten am 5. August 2026 als eigener Eintrag — in der EU allerdings nicht lizenziert. Wer streng zählt, kommt also auf 70 statt 72, und 2026 auf 27 statt 29 Prozent. Beide Befunde dieser Seite — die flache Kurve und die Lücke — hängen nicht daran.
Die Lücke
194 Tage ohne ein einziges offenes Modell
Der auffälligste Befund dieser Seite ist eine Abwesenheit. Zwischen 26. Juni 2025 und 6. Januar 2026 liegen 194 Tage, in denen dieser Datensatz keinen einzigen Release mit offenen Gewichten verzeichnet. Davor endete die Serie mit FLUX.1 Kontext [dev] (open weights) (Black Forest Labs), danach begann sie neu mit LTX-2 (Lightricks).
In dem Fenster erschienen 16 Releases aus 9 Häusern — 12 davon mit einem belegten Premierenanspruch, und alle proprietär. Ein halbes Jahr lang verschob sich also, was möglich war, und keine dieser Verschiebungen war nachbaubar.
Ein Teil der Erklärung liegt allerdings nicht bei der Offenheit, sondern im allgemeinen Tempo: 16 Releases in 194 Tagen sind ein Release alle 12,1 Tage — und damit langsamer als der Jahresschnitt 2025 von 7,98 Tagen. Dieses Halbjahr war insgesamt still, nicht nur auf der offenen Seite. Die Lücke ist also weniger ein Bruch in der Offenheit als die offene Seite einer allgemeinen Pause — nur dass die geschlossene Seite in derselben Pause noch 12 Premieren lieferte und die offene keine.
Wichtige Einschränkung
„Kein offener Release“ heißt hier: keiner, der die Aufnahmeschwelle dieses Datensatzes erreicht — also eine Fähigkeit brachte, die vorher kein öffentlich verfügbares Modell hatte. In diesem Halbjahr wurden sehr wohl offene Gewichte veröffentlicht, darunter Punktversionen und Feintunings etablierter Familien. Die Aussage ist also nicht „es gab nichts Offenes“, sondern: es gab nichts Offenes, das den Stand der Technik verschoben hätte. Wer die Zahl zitiert, sollte diesen Unterschied mitzitieren.
Die 12 Premieren in der Lücke — alle proprietär
- xAI Grok 4xAIText★ Premiere
Erstes Modell, das rund 50 % auf „Humanity's Last Exam" erreichte
- Runway AlephRunwayVideo★ Premiere
Erstes leistungsfähiges allgemeines In-Context-Videobearbeitungsmodell
- Google DeepMind Genie 3Google DeepMindVideo★ Premiere
Echtzeit-Weltmodell als neue Modalität
- GPT-5OpenAIText★ Premiere
Erstes einheitliches Modell aus schnellem Modus und Reasoning mit automatischem Compute-Routing in einem einzigen API-Endpunkt
- Nano Banana (Gemini 2.5 Flash Image)GoogleBild★ Premiere
Erstes Bildmodell, das konversationelles Mehrfach-Editieren mit Konsistenz mainstreamfähig machte
- OpenAI gpt-realtime (Realtime API GA)OpenAIAudio★ Premiere
Erste hochmoderne Speech-to-Speech-API, die in der allgemeinen Verfügbarkeit eine SIP-Telefonie-Integration enthält
- MAI-Voice-1Microsoft AIAudio★ Premiere
Erstes hauseigenes Speech-Generation-Modell der Microsoft-AI-(MAI)-Sparte.
- MAI-1-previewMicrosoft AIText★ Premiere
Erstes vollständig hauseigenes, End-to-End trainiertes Foundation-LLM von Microsoft AI.
- Seedream 4.0ByteDanceBild★ Premiere
Erstes Modell eines chinesischen Labors an der Spitze globaler Bild-Arenen
- Luma Ray3Luma AIVideo★ Premiere
Erstes „Reasoning"-Videomodell und erstes mit hochwertigem 16-Bit-HDR
- Suno v5 + Suno StudioSuno AIAudio★ Premiere
Erster KI-Musikgenerator, der eine integrierte generative Digital Audio Workstation auslieferte (Mehrspur + MIDI-Export)
- MAI-Image-1Microsoft AIBild★ Premiere
Erstes hauseigenes Bildgenerierungs-Modell von Microsoft AI.
Gegen die Erwartung
Offene Modelle sind nicht die billige Kopie
Wenn offene Gewichte hinterherliefen, müssten sie unter den Premieren unterrepräsentiert sein: erst macht ein Frontier-Labor etwas möglich, dann zieht die offene Welt nach. Die Daten zeigen das Gegenteil. Offene Modelle stellen 29,4 Prozent der Releases, aber 36,0 Prozent der belegten Premieren — 41 von 114. Das sind 6,6 Prozentpunkte mehr, als ihr Mengenanteil erwarten ließe.
Die Lesart, die dazu passt: offene Veröffentlichung ist in diesem Datensatz keine Nachhut-Strategie, sondern eine Markteintrittsstrategie. Ein Haus ohne Vertriebsapparat und ohne bestehende Nutzerbasis kann Aufmerksamkeit am billigsten erzeugen, indem es etwas herausgibt, das andere weiterverwenden können. Wer schon verteilt, hat diesen Anreiz nicht. Prüfbar ist daran nur die Zahl — die Begründung ist eine Deutung.
Welche Premieren das im Einzelnen sind, mit Datum und Quelle, steht auf der Seite über die belegten Premieren.
Hauspolitik
Offenheit ist selten eine Entscheidung pro Modell
Über Häuser gezählt statt über Releases ergibt sich ein klareres Bild. Von 48 Häusern im Datensatz veröffentlichten 20 ausschließlich offen, 17 ausschließlich geschlossen — und nur 11 taten beides. Für die große Mehrheit ist Offenheit also keine Abwägung pro Release, sondern eine Festlegung des Hauses.
Wie hier ein „Haus“ gezählt wird
Jeder Eintrag trägt zwei Felder: die Urhebernennung, wie sie in der Primärquelle steht („Alibaba (Qwen)“, „Google DeepMind“), und daneben das Haus als eigener, von Hand gesetzter Schlüssel. Gezählt wird ausschließlich das Haus, also die Firma — Teams, Divisionen und Schreibvarianten desselben Unternehmens fallen zusammen.
Eine Unschärfe bleibt, und sie ist nicht auflösbar: 4 Nennungen kreditieren mehrere Firmen gemeinsam. Dort zählt der Release beim federführenden Haus, also bei dem, das ihn veröffentlicht hat — „OpenMOSS / MOSI.AI / Shanghai Innovation Institute“ bei OpenMOSS; „RunwayML / Stability AI“ bei Runway; „Shanghai Jiao Tong University / Cambridge University“ bei Shanghai Jiao Tong University; „Stability AI / CompVis / RunwayML“ bei Stability AI. 4 mitkreditierte Häuser kommen unter keiner anderen Nennung vor und erscheinen deshalb in dieser Zählung überhaupt nicht: MOSI.AI, Shanghai Innovation Institute, Cambridge University, CompVis. Die Zahl 48 ist damit um bis zu 4 zu niedrig, nicht zu hoch.
Praktisch heißt das: die Frage „wird dieses Modell offen kommen?“ ist meist schon beantwortet, bevor das Modell existiert. Die 11 gemischten Häuser sind die interessanten — dort ist die Lizenz tatsächlich eine Entscheidung: Alibaba, Black Forest Labs, Google, Ideogram, Meta, Microsoft, MiniMax, OpenAI, Runway, Stability AI, Suno.
Gleichzeitig ist die offene Seite weniger konzentriert als erwartet. Die 72 offenen Releases verteilen sich auf 31 Häuser, von denen 17 genau eines beigetragen haben. Die drei produktivsten — Meta (9), Stability AI (8), Alibaba (5) — stellen zusammen nur 31 Prozent. Die geschlossene Seite ist das Gegenteil: dort dominieren wenige Häuser mit zweistelligen Release-Zahlen.
Modalitäten
Wo offen überhaupt vorkommt
Der Gesamtanteil verdeckt, wie unterschiedlich die vier Modalitäten sind.
| Modalität | Offen | Gesamt | Anteil | Verhältnis |
|---|---|---|---|---|
| Text | 37 | 102 | 36 % | |
| Audio | 15 | 54 | 28 % | |
| Bild | 11 | 45 | 24 % | |
| Video | 9 | 44 | 20 % |
Text & Reasoning ist mit 36 Prozent die offenste Modalität, Video mit 20 Prozent die geschlossenste. Der plausible Grund ist nicht Ideologie, sondern Kostenstruktur: Text lässt sich auf einer Consumer-GPU sinnvoll weiterverwenden, ein Videomodell nicht. Offene Gewichte, die niemand betreiben kann, erzeugen keine Gegenleistung — und damit fällt der Anreiz weg, sie herauszugeben.
2022 · 5 offene Releases
Offene Gewichte 2022
- Stable Diffusion 1.4 (public release)Stability AI / CompVis / RunwayMLBild★ Premiere
Erstes breit verteiltes Open-Weights-Modell für Text-zu-Bild, das auf einer Consumer-GPU lauffähig ist
- Whisper (large-v1)OpenAIAudio★ Premiere
Erstes Open-Source-ASR-Modell, das die Qualität mehrsprachiger Transkription auf kommerziellem Niveau weitgehend erreicht
- Stable Diffusion 1.5RunwayML / Stability AIBild
Verbesserte Bildqualität, bessere Ästhetik und höhere Prompt-Treue gegenüber SD 1.4 auf derselben 512×512-Architektur
- Stable Diffusion 2.0Stability AIBild
Native Auflösung von 768×768, neuer OpenCLIP-Text-Encoder, Depth-to-Image-Pipeline und ein 4×-Upscaler-Modell
- Whisper large-v2OpenAIAudio
Verbessertes Whisper-Modell mit einer um etwa 10–15 % geringeren Wortfehlerrate, insbesondere bei verrauschten Aufnahmen, das 2,5-mal länger und mit Regularisierung trainiert wurde
2023 · 14 offene Releases
Offene Gewichte 2023
- LLaMA 1MetaText★ Premiere
Erste offen verfügbare LLM-Familie, die mit den damaligen Modellen der GPT-3-Klasse konkurrenzfähig war
- ModelScope Text-to-VideoAlibaba DAMO AcademyVideo★ Premiere
Erstes breit zugängliches Open-Source-Modell für Text-zu-Video
- AutoGPTSignificant GravitasText★ Premiere
Erster viraler autonomer KI-Agent
- BarkSuno AIAudio★ Premiere
Erstes Open-Source-Modell, das ausdrucksstarke Sprache mit eingebetteten nonverbalen Lauten und Hintergrundgeräuschen in einem einzigen Durchgang erzeugt
- Meta MusicGen (open-source)Meta AIAudio★ Premiere
Erstes hochwertiges Open-Weight-Modell zur Musikgenerierung mit Steuerung über Text und Melodie
- Llama 2MetaText★ Premiere
Erstes großes Open-Weight-Modell eines bedeutenden Frontier-Labors, das eine breite kommerzielle Nutzung ausdrücklich gestattet
- Stable Diffusion XL 1.0 (SDXL)Stability AIBild★ Premiere
Erstes Open-Weights-Modell mit einer zweistufigen Pipeline aus Basismodell und Refiner bei nativer Auflösung von 1024 Pixeln
- Meta AudioCraft (MusicGen + AudioGen + EnCodec)Meta AIAudio
Open-Source-Framework zur Audiogenerierung, das Text-zu-Musik (MusicGen), Text-zu-Soundeffekten (AudioGen) und einen verbesserten neuronalen Audio-Codec (EnCodec) in einer Bibliothek vereint
- Qwen-7BAlibabaText
Erstes offenes Modell der Qwen-Familie von Alibaba.
- Meta SeamlessM4TMetaAudio★ Premiere
Erstes einheitliches multimodales und mehrsprachiges Sprachübersetzungsmodell
- Falcon 180BTIIText
180B-Parameter-Modell auf 3,5 Billionen Tokens; bei Veröffentlichung das größte offen verfügbare LLM.
- Mistral 7BMistral AIText★ Premiere
Erstes Open-Weights-Modell mit 7B, das ein 13B-Modell auf ganzer Linie in Standard-Benchmarks schlägt
- Stable Video Diffusion (SVD)Stability AIVideo★ Premiere
Erstes breit veröffentlichtes Open-Weights-Diffusionsmodell für Image-to-Video
- Mixtral 8x7BMistral AIText★ Premiere
Erstes Open-Weights-Sparse-MoE-Modell dieser Größenordnung, das die Leistung von GPT-3.5 erreicht
2024 · 17 offene Releases
Offene Gewichte 2024
- Google GemmaGoogleText★ Premiere
Googles erstes offenes Sprachmodell
- Llama 3 (8B / 70B)MetaText
Beste quelloffene 8B- und 70B-Modelle bei Erscheinen, mit 128K Kontext und verbessertem Reasoning, Coding und Befolgen von Anweisungen
- Microsoft Phi-3 (Phi-3-mini)MicrosoftText★ Premiere
Wegweisendes SLM-auf-dem-Gerät
- Stability Stable Audio OpenStability AIAudio
Open-Weights-Diffusionsmodell für Text-to-Audio zur Erzeugung von bis zu 47 Sekunden an Soundeffekten und Samples, verfügbar für die nichtkommerzielle Nutzung
- Stable Diffusion 3 Medium (open weights)Stability AIBild★ Premiere
Erstes Open-Weights-Modell, das die Architektur eines Multimodal Diffusion Transformer (MMDiT) für die Text-to-Image-Generierung nutzt
- Kyutai MoshiKyutaiAudio★ Premiere
Erstes Echtzeit-Voll-Duplex-Sprachdialog-Foundation-Model
- Llama 3.1 405BMetaText★ Premiere
Erstes Open-Weights-Modell mit über 400B Parametern, das mit geschlossenen Frontier-Modellen konkurrenzfähig ist
- FLUX.1 (pro / dev / schnell)Black Forest LabsBild★ Premiere
Erstes Apache-lizenziertes Modell, das Bildqualität auf Frontier-Niveau erreicht (FLUX.1[schnell])
- Qwen2.5AlibabaText
Volle 0,5B–72B-Familie mit starkem Coding/Mathe; eines der größten Open-Source-Releases.
- Llama 3.2 (Vision + Edge)MetaText
Metas erste offene multimodale Modelle (11B/90B Vision) plus 1B/3B-Textmodelle für Mobil/Edge.
- F5-TTSShanghai Jiao Tong University / Cambridge UniversityAudio★ Premiere
Erste Architektur aus Diffusion-Transformer mit Flow Matching, die auf Zero-Shot-TTS angewendet wird und autoregressive Qualität erreicht oder übertrifft
- Stable Diffusion 3.5 LargeStability AIBild★ Premiere
Erstes Open-Weights-Bildgenerierungsmodell mit über 8B Parametern, das unter einer freizügigen kommerziellen Lizenz veröffentlicht wurde
- Genmo Mochi 1GenmoVideo★ Premiere
Größtes Open-Source-Text-zu-Video-Modell zum Zeitpunkt der Veröffentlichung (10B Parameter, Apache 2.0)
- Lightricks LTX-Video (LTXV)LightricksVideo★ Premiere
Erstes Open-Source-Videomodell mit Echtzeit-Generierung (schneller als die Wiedergabe)
- Tencent HunyuanVideoTencentVideo★ Premiere
Größtes Open-Source-Videogenerierungsmodell zum Zeitpunkt der Veröffentlichung (13B Parameter), erstes offenes Modell, das die kommerzielle Frontier-Qualität erreicht
- Kokoro-82M v0.19hexgrad (independent)Audio★ Premiere
Erstes Modell mit unter 100M Parametern, das Platz 1 auf einem öffentlichen TTS-Qualitäts-Leaderboard erreicht
- DeepSeek-V3DeepSeekText★ Premiere
Erstes Open-Weights-Modell, das die Leistung der GPT-4o-Klasse bei Trainingskosten unter 6 Mio. US-Dollar erreicht
2025 · 7 offene Releases
Offene Gewichte 2025
- DeepSeek-R1DeepSeekText★ Premiere
Erstes Open-Weights-Reasoning-Modell, das die Leistung auf o1-Niveau erreicht, unter MIT-Lizenz
- Kokoro TTS v1.0hexgrad (independent)Audio
Erweiterte Version von Kokoro mit Unterstützung für 8 Sprachen (Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, Mandarin, Portugiesisch) und 54 Stimmen unter Apache 2.0
- Alibaba Wan 2.1Alibaba (Wan Team)Video★ Premiere
Erstes Open-Source-Modell, das die VBench-Bestenliste für Videoqualität anführte und alle geschlossenen Modelle übertraf
- Sesame CSM (conversational speech model) demoSesame AIAudio★ Premiere
Erstes Open-Source-Modell, das explizit auf den psychologischen Benchmark der 'Voice Presence' für dialogorientierte KI abzielt
- Llama 4 (Scout / Maverick)MetaText★ Premiere
Erstes Open-Weights-Modell mit einem Kontextfenster von 10 Mio. Tokens
- Alibaba Qwen3AlibabaText
Open-Weights-Familie (0,6B–235B MoE) mit umschaltbarem „Thinking/Non-Thinking"-Reasoning.
- FLUX.1 Kontext [dev] (open weights)Black Forest LabsBild★ Premiere
Erstes Open-Weights-Modell, das die Leistung proprietärer Modelle bei der iterativen, kontextbewussten Bildbearbeitung erreichte
2026 · 29 offene Releases
Offene Gewichte 2026
- LTX-2LightricksVideo★ Premiere
Erstes produktionsreifes Open-Weights-Modell, das Video und Audio synchron in einem Durchgang mit nativem 4K und offenem Trainingscode generiert.
- FLUX.2 [klein]Black Forest LabsBild
Kompakte Open-Weights-Modellfamilie (4B und 9B), die Bildgenerierung und -Editing in einer Architektur vereint und Text-to-Image, Single-Reference-Editing sowie Multi-Reference-Generierung in unter einer Sekunde auf Consumer-Hardware (ab ca. 13 GB VRAM) liefert.
- HunyuanImage 3.0-InstructTencentBild
Natives multimodales Open-Weights-Modell (80B MoE, ca. 13B aktive Parameter) mit Fokus auf praezisem, instruktionsgesteuertem Image-Editing: Reasoning-gestuetztes Prompt-Enhancement, Image-to-Image, Multi-Image-Fusion (bis zu 3 Eingabebilder) und Chain-of-Thought.
- Kimi K2.5Moonshot AIText
Nativ multimodales, agentisches Open-Weights-Modell mit einer 1-Billion-Parameter-Mixture-of-Experts-Architektur (etwa 32 Mrd. aktive Parameter), das auf rund 15 Billionen gemischten Bild- und Text-Tokens trainiert wurde. Es versteht Text, Bilder und Video und bringt einen Agent-Swarm mit, der komplexe Aufgaben auf bis zu 100 parallele Sub-Agents aufteilt.
- GLM-5Zhipu AI (Z.ai)Text★ Premiere
Erstes Frontier-Open-Weights-Modell einer börsennotierten Foundation-Model-Firma (Zhipu/Z.ai).
- Fish Audio S2Fish AudioAudio
Open-Weights-TTS-Modell mit Dual-AR-Architektur (rund 4B Parameter auf der Zeitachse, 400M auf der Tiefenachse), trainiert auf ueber 10 Millionen Stunden Audio in etwa 50 Sprachen. Erlaubt feinkoernige Inline-Steuerung von Prosodie und Emotion ueber natuerlichsprachliche Tags wie [laugh], [whispers] oder [super happy]. Veroeffentlicht mit Model-Weights, Fine-Tuning-Code und einer SGLang-basierten Streaming-Inferenz-Engine.
- GLM-5.1Zhipu / Z.aiText★ Premiere
Erstes Open-Weights-Modell an der Spitze von SWE-Bench Pro
- MOSS-AudioOpenMOSS / MOSI.AI / Shanghai Innovation InstituteAudio★ Premiere
Eines der ersten Open-Weights-Foundation-Modelle, das Verstehen von Sprache, Umgebungsklang und Musik samt zeitbewusstem Reasoning in einem Modell vereint.
- Kimi K2.6Moonshot AIText
Open-Weights-Modell auf 1-Billion-Parameter-MoE-Basis (32 Mrd. aktive Parameter), spezialisiert auf agentisches Coding und Langzeit-Aufgaben. Es kann laut Moonshot bis zu rund 13 Stunden durchgehend coden und bringt ein Agent-Swarm-System mit bis zu 300 spezialisierten Sub-Agents und bis zu 4.000 koordinierten Schritten pro Lauf.
- DeepSeek V4 (Preview)DeepSeekText
Open-Weights-Flaggschiff in zwei Varianten: V4-Pro (1,6 Bio. Parameter total, 49 Mrd. aktiv) und V4-Flash (284 Mrd. total, 13 Mrd. aktiv), beide standardmäßig mit 1-Mio.-Token-Kontext und neuartigen Attention-Mechanismen. V4-Pro bietet verbesserte agentische Fähigkeiten und Reasoning der Spitzenklasse in Mathematik, STEM und Coding.
- Mistral Medium 3.5Mistral AIText
Frontier-multimodales Modell mit einstellbarem reasoning_effort und 256k Kontext; neuer Standard für Le Chat.
- Stable Audio 3.0Stability AIAudio
Modellfamilie zur Audiogenerierung aus vier Modellen: Small SFX, Small, Medium und Large. Erzeugt vollstaendige Kompositionen von bis zu rund sechs Minuten mit erhaltener musikalischer Struktur, mit Variable-Length-Generierung, Audio-Inpainting (Segment-Editing und Fortsetzung) sowie LoRA-Fine-Tuning. Trainiert ausschliesslich auf lizenzierten und Creative-Commons-Daten.
- Step 3.7 FlashStepFunText
Vision-Language-MoE-Modell mit 198B Total-Parametern (rund 11B aktiv), das einen 1,8B-Vision-Encoder mit einem 196B-Sprach-Backbone koppelt und Charts, PDFs, UI-Wireframes und App-GUIs ohne separate Vision-API verarbeitet. Ausgelegt auf Coding-Agenten und Such-Workflows.
- MiniMax M3MiniMaxText★ Premiere
Laut MiniMax erstes Open-Weights-Modell, das Frontier-Coding, 1M-Kontext und native Multimodalität in einer einzigen Architektur kombiniert.
- Ideogram 4.0IdeogramBild★ Premiere
Erstes Open-Weights-Modell von Ideogram, das seine Spitzentechnologie fuer Design- und Text-Rendering oeffentlich freigab.
- DiffusionGemma 26B-A4BGoogle DeepMindText★ Premiere
Erstes großes Open-Weights-Text-Diffusionsmodell von Google, das Text in parallelen Blöcken statt autoregressiv Token für Token erzeugt.
- Kimi K2.7 CodeMoonshot AIText
Coding-fokussiertes agentisches MoE-Modell mit 1T Total-Parametern (32B aktiv, 384 Experts) und 256K-Kontextfenster, das mehrstufig plant, editiert, Tools ausführt und debuggt. Reduziert die Zahl der Thinking-Tokens gegenüber K2.6 um rund 30 Prozent.
- GLM-5.2Zhipu AI (Z.ai)Text
Agentisch ausgerichtetes Coding-Modell auf Basis derselben 744B-MoE-Architektur wie GLM-5, mit einem nutzbaren Kontextfenster von 1M Tokens, bis zu 131.072 Output-Tokens und einem neuen System mit zwei Reasoning-Stufen (High und Max).
- Ornith-1.0DeepReinforceText★ Premiere
Erste offene Modellfamilie, die ihre eigenen RL-Scaffolds (Task-Harnesses) lernt
- LongCat-2.0MeituanText★ Premiere
Erstes Billionen-Parameter-Modell, das komplett auf inländischen chinesischen KI-Chips trainiert und ausgeführt wird.
- Hy3 (Hunyuan)Tencent (Hunyuan)Text
Offizielle Version des Hunyuan-Hy3: 295B-MoE-Modell mit 21B aktiven Parametern und 256K-Kontext, veröffentlicht unter Apache-2.0-Lizenz. Gegenüber der Preview (23.04.) weitere Fortschritte bei Code-Generierung und Agenten-Fähigkeiten sowie mehr Stabilität; API über Tencent Cloud TokenHub. Erreicht laut Tencent flagship-nahe Intelligenz bei 2–5× kleinerem Parameter-Budget.
- InklingThinking Machines LabText★ Premiere
Erstes öffentlich verfügbares Modell von Thinking Machines Lab (Mira Murati).
- Kimi K3Moonshot AIText
Neues MoE-Flaggschiff mit rund 2,8 Billionen Parametern, neuer „Kimi Delta Attention“-Architektur und 1-Mio.-Token-Kontext, ausgelegt auf langlaufendes Coding und Agenten-Workloads. Zwei Varianten zum Start: K3 Max (Chat/Agent) und K3 Swarm Max (massiv-paralleles Processing). Zum Launch nur über Kimi Code und die Kimi-App (ab ¥199-Tarif) nutzbar; die herunterladbaren Gewichte folgten am 27.07.2026.
- Laguna S 2.1poolsideText
Offenes MoE-Modell für agentisches Coding: 118 Mrd. Parameter total, davon nur 8 Mrd. pro Token aktiv, bis zu 1 Mio. Token Kontext und getrennte Thinking-/No-Thinking-Modi. Laut poolside 70,2 % auf Terminal-Bench 2.1 (mit Thinking), 78,5 % auf SWE-Bench Multilingual, 40,4 % auf DeepSWE v1.1 und 46,2 % auf SWE Atlas (Codebase-QnA). Gewichte auf Hugging Face unter OpenMDW-1.1 (BF16 plus FP8- und NVFP4-Quantisierungen), lauffähig auf einer einzelnen NVIDIA DGX Spark.
- Kimi K3 (Open Weights)Moonshot AIText
Moonshot lädt die vollständigen Gewichte des K3-Flaggschiffs auf Hugging Face: 2,8 Billionen Parameter total, davon rund 104 Mrd. pro Token aktiv, 1.048.576 Token Kontext, ausgeliefert mit nativer MXFP4-Quantisierung und MXFP8-Aktivierungen. Das Modell ist damit selbst hostbar — allerdings unter einer eigenen „Kimi K3 License", die für kommerzielle Nutzung eine separate Vereinbarung verlangt, nicht unter einer OSI-Lizenz.
- MiniMax H3MiniMaxVideo
Von MiniMax als „Open-Weights"-Videomodell angekündigt: H3 nimmt Text, Bild, Video und Audio in einer gemeinsamen Anfrage als Kontext (bis 7.000 Zeichen Prompt, bis 9 Referenzbilder, 3 Videoclips, 3 Audioclips — Audio nur zusammen mit Bild oder Video) und gibt natives 2K mit synchronem Stereo-Ton aus, 4 bis 15 Sekunden in ganzzahligen Schritten. Neben reiner Generierung nennt MiniMax Bearbeitung vorhandener Aufnahmen und Bewegungsübertragung zwischen Videos. Architektonisch führt eine neue „H3-Omni"-Transformer-Struktur Text-zu-Bild, Text-zu-Video, Bild-zu-Video und Audio in einem Rahmen zusammen — laut MiniMax rund 30 % mehr Trainingsdurchsatz —, dazu kommt ein neu entworfener Tokenizer (H3-VAE) mit hoher Kompression. Zum Preis sagt MiniMax nur relativ: 2K koste pro Sekunde weniger als ein Drittel vergleichbarer marktüblicher Modelle. Live ist H3 als „MiniMax-H3" in der API und im MiniMax Hub; die Gewichte sollen „innerhalb weniger Tage" vollständig offengelegt werden.
- DeepSeek-V4-Flash-0731DeepSeekText
Ablösung der V4-Flash-Preview vom 24.04.2026 bei unveränderter Architektur und Größe (284 Mrd. Parameter total, rund 13 Mrd. aktiv, plus Modul für spekulatives Decoding): Laut DeepSeeks eigenem Changelog wurde das Modell nicht neu vortrainiert, sondern ausschließlich neu nachtrainiert („re-post-training"). Der Zugewinn liegt entsprechend bei agentischen Aufgaben — Terminal Bench 2.1 82,7, Cybergym 76,7, Toolathlon-Verified 70,3, DSBench-FullStack 68,7, DSBench-Hard 59,6, DeepSWE 54,4, NL2Repo 54,2, dazu 25,2 auf Agents' Last Exam und 25,1 auf AutomationBench Public. Der Denkaufwand ist in drei Stufen steuerbar (low, high, max), das Kontextfenster bleibt bei 1 Mio. Tokens mit bis zu 384K Ausgabe-Tokens. Neu sind das native Responses-API-Format (nur für Flash, nicht für Pro) und eine Anpassung für den Betrieb unter Codex. Preise: 0,14 USD Eingabe (Cache-Miss), 0,0028 USD bei Cache-Treffer und 0,28 USD Ausgabe pro Mio. Tokens — rund ein Drittel von V4-Pro (0,435/0,87 USD). Auf dem Artificial-Analysis-Intelligence-Index erreicht Flash-0731 in der Stufe max 50 Punkte, V4-Pro 44. Gewichte unter MIT-Lizenz auf Hugging Face.
api-docs.deepseek.com ↗huggingface.co ↗api-docs.deepseek.com ↗artificialanalysis.ai ↗
- Shieldstral 1.0 3BMistral AIText
Ein Klassifikator für Inhaltsmoderation mit 3 Mrd. Parametern, der keine feste Kategorienliste vorhersagt, sondern eine in natürlicher Sprache formulierte Richtlinie zur Laufzeit als Eingabe nimmt und einen kontinuierlichen Sicherheitswert zurückgibt. Technisch ist die Aufgabe auf eine binäre Ja/Nein-Frage reduziert: feste Systemnachricht, ein einziger Vorwärtsdurchlauf, ein einziges Ausgabetoken, dessen Wahrscheinlichkeit als Schwellwert dient. Derselbe Checkpoint lässt sich damit auf neue Richtlinien umstellen, ohne ihn nachzutrainieren. Basis ist Ministral-3-3B-Base-2512 mit nativem Pixtral-Bildencoder; über dieselbe Schnittstelle moderiert werden reiner Text, reine Bilder und Text-Bild-Kombinationen, in zwölf Sprachen einschließlich Deutsch. Trainiert auf Sequenzen bis 32K Tokens (theoretisch 256K), lauffähig auf einer einzelnen 16-GB-GPU. Lizenz: Apache 2.0, Gewichte auf Hugging Face, dazu ein technischer Bericht.
- MiniMax H3 (Open Weights)MiniMaxVideo
MiniMax löst die Ankündigung vom 31.07.2026 ein und legt die Gewichte von H3 auf Hugging Face offen (MiniMaxAI/MiniMax-H3, ohne Zugangsschranke). Erst damit werden die Kennzahlen prüfbar: 33 Mrd. Parameter dicht besetzt in einem einzigen Strom — die modalitätsspezifischen Teile sitzen nur in den Ein- und Ausgabeschichten und in den AdaLN-Zweigen, nicht in getrennten Expertentürmen. Ausgabe 4 bis 15 Sekunden, bis 2K (voreingestellt 768 px kürzere Kante), 24 Bilder/s, Stereo-Ton mit 32 kHz, Seitenverhältnisse von 21:9 bis 9:16; als Text- und Bildencoder dient Qwen3-VL-32B unter Apache 2.0. Die Lizenz ist keine Open-Source-Lizenz, sondern ein „MiniMax H3 Community License Agreement“ mit einer entscheidenden Klausel: Als „Excluded Territories“ ausgenommen sind die Europäische Union, das Vereinigte Königreich, Südkorea und die USA. Untersagt ist dort nicht nur der Betrieb des Modells, sondern ausdrücklich auch Vervielfältigung, Bearbeitung, Weitergabe und Vorführung — und dasselbe gilt für die erzeugten Videos. Ab 20 Mio. US-Dollar Jahresumsatz braucht es zusätzlich eine schriftliche Genehmigung, kommerzielle Oberflächen müssen „MiniMax H3“ sichtbar nennen; Gerichtsstand ist Hongkong, Lizenzgeberin die Nanonoble Pte. Ltd. in Singapur.
Lesart
Was aus einer flachen Kurve folgt
Die verbreitete Planungsannahme lautet: was heute nur proprietär verfügbar ist, gibt es in achtzehn Monaten offen — also lohnt es, zu warten. Dieser Datensatz stützt das nicht. Der Anteil offener Gewichte ist über vier Jahre nicht gestiegen, und es gab ein halbes Jahr, in dem er auf null fiel, während zwölf proprietäre Premieren erschienen. Wer 2025 auf die offene Variante gewartet hat, hat sechs Monate gewartet und nichts bekommen.
Umgekehrt taugt die Zahl auch nicht als Abgesang. 72 offene Releases von 31 Häusern sind keine Nischenerscheinung, und der überproportionale Anteil an den Premieren zeigt, dass dort echte Erstleistungen entstehen, nicht nur Nachbauten. Die Kurve ist flach, nicht fallend — und im laufenden Jahr liegt sie mit 29 Prozent wieder über dem Tiefpunkt von 17.
Die praktische Konsequenz ist unbequem, weil sie beide Lager enttäuscht: Offenheit ist kein Fahrplan, auf den man eine Beschaffungsentscheidung setzen kann. Sie ist eine Eigenschaft, die manche Häuser haben und andere nicht, und die sich pro Halbjahr spürbar ändern kann. Wer offene Gewichte braucht — aus Datenschutzgründen, wegen Betrieb im eigenen Rechenzentrum, wegen Abhängigkeitsrisiko —, sollte nach Häusern auswählen, nicht nach Zeitpunkten. Und wer sie nicht braucht, sollte die Lizenzfrage nicht zur Weltanschauung machen: in 71 Prozent der Fälle stellt sie sich ohnehin nicht.
Wie sich das Tempo im gleichen Zeitraum entwickelt hat — inklusive der Verlangsamung, in die diese Lücke fällt — steht auf der Seite über die Kadenz.
Methode
Woher die Zahlen kommen
Grundlage ist ein handkuratierter Datensatz fähigkeitsverändernder Releases generativer KI. Aufgenommen wird ein Release nur, wenn es etwas konnte, was vorher kein öffentlich verfügbares Modell konnte — reine Preisänderungen, Rebrands und Punktversionen ohne neue Fähigkeit bleiben draußen. Jedes Datum ist gegen eine Primärquelle geprüft (Ankündigung, Paper oder Release-Notes des Labors); unbestätigte Daten sind als solche markiert statt als Fakt dargestellt. Zwei redaktionelle Marker im Zeitstrahl (Newsletter-Start, snipKI-Gründung) sind keine Releases und zählen in keiner Zahl auf dieser Seite mit. Stand der letzten Verifikation: 6. August 2026.
Die Auswahl ist kuratiert, also unvermeidlich eine Wertung. Sie ist nachprüfbar: jede Zeile hat ein Datum und einen Link. Diese Teilmenge als JSON · vollständige API
Zitieren
Frei nutzbar mit Namensnennung
Alle Zahlen und Tabellen dieser Seite stehen unter CC-BY-4.0. Nutze sie in Präsentationen, Artikeln, Modellen — mit dieser Zeile:
Offenheit: die Lücke von 194 Tagen — Die Beschleunigung — KI-Zeitstrahl von snipKI (https://timeline.snipki.de)
https://timeline.snipki.de/offenheitKI-Zeitstrahl von snipKI · the KI Enablement Company