Der Eindruck, bei künstlicher Intelligenz gäben die USA den Ton an, hält sich. Bei den offenen Modellen mit frei verfügbaren Gewichten stimmt er seit längerem nicht mehr. Ein Forscher, der kürzlich eine Gruppe von Kongressmitgliedern und deren Mitarbeitern zum Stand der Open-Weight-Modelle im amerikanisch-chinesischen Wettbewerb gebrieft hat, beschreibt in seinen Redenotizen eine Lage, die sich in einem Satz zusammenfassen lässt: China führt, und nicht knapp.
Wer heute KI-Funktionen in ein Produkt einbaut, greift mit hoher Wahrscheinlichkeit zu einem Modell aus Hangzhou, Peking oder Shenzhen. Das betrifft Werkzeuge, die inzwischen in Code-Editoren, Rechtsanwendungen und Lieferdiensten stecken. Der folgende Text fasst zusammen, was der Autor in seinen Notizen als Lagebericht beschreibt: die Begriffe hinter der Debatte, die Zahlen zu Hugging-Face-Downloads, die Benchmark-Lage, die Ursachen und die Folgen für den amerikanisch-chinesischen Wettbewerb.
Open-Weight, Open-Source, Closed: drei Stufen einer Skala
Sprachmodelle mit offenen Gewichten sind Modelle, deren Gewichte öffentlich einsehbar und für eigene Zwecke nutzbar sind. Sie stehen im Kontrast zu geschlossenen Modellen, auf die man nur über Programmierschnittstellen oder fertige Produkte zugreift – GPT-4 oder Claude Opus etwa, ChatGPT oder Claude Code. Der Unterschied lässt sich mit einer Küche vergleichen: Ein geschlossenes Modell ist ein Restaurant, man bekommt das Gericht, aber das Rezept bleibt hinter der Tür. Ein Open-Weight-Modell liefert die Zutatenliste, das Nachkochen ist erlaubt, die genaue Zubereitung fehlt. Ein wirklich quelloffenes Modell legt zusätzlich offen, woher jede Zutat stammt und wie gearbeitet wurde.
Open-Weight-Modelle sind die häufigste Form, bekannte Beispiele sind Metas Llama, Alibabas Qwen, Googles Gemma oder die Modelle von DeepSeek. Sie kommen mit einer Lizenz, die regelt, was mit ihnen downstream erlaubt ist, und meist mit Inferenz-Code für Bibliotheken wie Transformers, VLLM oder SGLANG. Echte Open-Source-Modelle enthalten zusätzlich alles, was zur Reproduktion nötig ist, also Trainings-Code und Trainingsdaten. Die prominentesten stammen aus den USA und entstehen bei gemeinnützigen Organisationen: das Olmo-Modell des Allen Institute for AI, an dem der Autor nach eigenen Angaben zweieinhalb Jahre mitgearbeitet hat, die Marin-Modelle von OpenAthena und die Pythia-Modelle von EleutherAI.
Es handelt sich weniger um Kategorien als um ein Spektrum. Nvidias Nemotron-Modelle geben große Teile ihrer Trainingsdaten unter permissiven Lizenzen frei und sind damit offener als viele Open-Weight-Modelle, ohne vollständig quelloffen zu sein. Auch geschlossene Modelle verteilen sich über eine Skala, je nachdem, wie viel eine Schnittstelle preisgibt und was die Nutzungsbedingungen erlauben. Die Etiketten sind Verhandlungsmasse, deshalb lohnt der genaue Blick auf die Zahlen.
Hugging-Face-Downloads: seit Juli 2025 kippt die Kurve
Die USA waren der frühe Marktführer bei offenen Sprachmodellen, vor allem durch Metas Llama-Modelle, die in Forschung und kommerzieller Nutzung breit eingesetzt wurden. Seit etwa April 2025 liegen chinesische KI-Unternehmen bei Open-Weight-Modellen klar vorn, in zwei Bereichen gleichzeitig: Verbreitung und Leistungsfähigkeit. Das einfachste Maß dafür sind die Downloads auf Hugging Face, wo China im Juli 2025 die Führung übernahm, maßgeblich getragen vom Erfolg der Qwen-Modelle von Alibaba.
Der Autor betreibt nach eigenen Angaben Werkzeuge, mit denen er diese Daten verfolgt. Seit er im August 2025 das American Truly Open Models Project veröffentlichte, sei Chinas Vorsprung bei den Downloads auf rund 1,6 Milliarden angewachsen, bei insgesamt 3,2 Milliarden Downloads – das Doppelte der amerikanischen Zahl. Solche Metriken sind eine Näherung, keine Messung der tatsächlichen Nutzung. Die Richtung deckt sich mit Beobachtungen auf anderen Plattformen.
Benchmarks: fünfzehn chinesische Modelle vor dem besten amerikanischen
Auf verbreiteten Leistungstests, etwa dem Artificial Analysis Intelligence Index, ist der Abstand deutlich. Die drei stärksten chinesischen Modelle zum Zeitpunkt der Notizen, dem 14. September 2026, sind Z.ais GLM-5.3 und GLM-5.3-Flash sowie Moonshot AIs Kimi K3 mit Werten von 45, 42 und 44. Die führenden amerikanischen Modelle sind Thinking Machines‘ Inkling und Inkling Small mit je 26 Punkten sowie Nvidias Nemotron 3 Ultra mit 23. Auf dem Index liegen damit fünfzehn chinesische Modelle vor dem besten amerikanischen Modell.
Ein Teil der Erklärung liegt im Tempo. Die besten amerikanischen Beiträge stammen aus Juni und Juli 2026 und werden seltener aktualisiert als die chinesischen. Vergleichbare chinesische Modelle erreichten diese Werte nach Angaben des Autors zwei bis sechs Monate früher, etwa GLM-5 oder DeepSeek V4 Pro. Immer mehr amerikanische Anbieter bringen eigene Modelle heraus, darunter Arcee AI, Poolside und IBM. Die Lücke schließen sie damit nicht schnell.
Für die Einordnung hilft ein zweiter Vergleich, der nichts mit Herkunft, sondern mit Offenheit zu tun hat. Chinesische Open-Weight-Modelle liegen etwa zwei bis fünf Monate hinter der geschlossenen amerikanischen Spitze. Amerikanische Open-Weight-Modelle liegen sechs bis neun Monate hinter Anbietern wie OpenAI und Anthropic. Am kleinsten ist der Rückstand dort, wo Nutzerbedarf eindeutig ist, etwa beim agentischen Programmieren. Am größten bei offenen wissenschaftlichen Aufgaben aus Physik oder Biologie.
Weniger Ressourcen, stärkere Modelle: eine offene Debatte
Warum chinesische Labore trotz knapperer Mittel so starke Modelle bauen, ist laut dem Autor weiterhin umstritten und stark von unterschiedlichen Arbeitskulturen geprägt. Hinzu kommen technische Faktoren. Chinesische Labore veröffentlichen schneller und konzentrieren sich auf ein schmaleres Aufgabenspektrum, was sie auf öffentlichen Benchmarks begünstigt. Weil alle Labore stetig Fortschritte machen, ist ein fertiggestelltes Modell immer eine Momentaufnahme – wer später abgibt, steht besser da. Ungeachtet dieser Verzerrung seien die Modelle aber stark und echte Konkurrenz für die amerikanische Industrie.
Als häufig genanntes Erklärungsmuster dient Destillation, das Nachtrainieren eigener Modelle mit Ausgaben fremder Systeme. Der Autor erwartet nicht, dass sich die Lage dadurch entscheidend ändert. Destillation wirke vor allem in neuen Domänen und mache ein durchweg starkes Modell nicht trivial. Selbst wenn sie vollständig unterbunden würde, etwa durch Identitätsprüfungen bei Anthropic und OpenAI, würde sich der Abstand zu den stärksten amerikanischen Modellen nach seiner Schätzung nur um ein bis zwei Monate vergrößern.
Interessanter ist eine Verschiebung bei den Daten. Noch Anfang 2026 hätten führende chinesische Labore wie Moonshot AI und Z.ai darauf gesetzt, Datenabläufe im eigenen Haus aufzubauen. Bis zum Sommer hätten sie begonnen, modernste Daten einzukaufen – anspruchsvolle Lernumgebungen für agentische Aufgaben – und zwar sowohl von etablierten amerikanischen Firmen als auch von neuen chinesischen Start-ups.
OpenRouter, Cursor und DoorDash: die Praxis hat längst entschieden
Neben Downloads und Benchmarks gibt es ein drittes Signal: die tatsächliche Nutzung. OpenRouter, eine Plattform, die eine einzige Oberfläche für den Wechsel zwischen Modellen bietet, veröffentlicht Daten zu den meistgenutzten Modellen seit dem 1. Januar 2025. Verarbeitete die Plattform in einer Woche im September 2025 noch rund eine Billion Token über offene Modelle, sind es heute etwa 80 Billionen pro Woche. Im selben Zeitraum stieg der Anteil chinesischer Modelle von etwa 70 Prozent auf über 80 Prozent der Nutzung. Der quelloffene Coding-Agent OpenCode kommt nach diesen Angaben auf eine Inferenzmenge von 95 Prozent oder mehr mit chinesischen Modellen.
Solche Plattformdaten bleiben eine Annäherung. Ein großer Teil der Nutzung offener Modelle läuft über Anbieter, die keine Aufschlüsselung nach Modellen veröffentlichen, etwa Together AI oder Fireworks AI, oder in privaten Unternehmensumgebungen. Wer aus einzelnen Zahlen eine Gesamtbilanz ableiten will, überschätzt schnell die Datenlage.
Aufschlussreich ist dennoch die Liste der Unternehmen, die auf chinesische Modelle setzen: Harvey im Rechtsbereich, der Coding-Agent Cursor, DoorDash mit Kimi, Airbnb mit Qwen, Perplexity mit DeepSeek. Das sind nur die sichtbaren Fälle. Vor allem jüngere Start-ups im Silicon Valley greifen zu chinesischen Modellen, weil sie günstig und flexibel sind. Auffällig sei zudem, dass amerikanische Firmen zunehmend Unternehmensverträge mit chinesischen Modell-Laboren schließen, um deren Modelle in eigenen Produkten nutzen zu dürfen – eine Form grenzüberschreitender Technologiezusammenarbeit, die der Autor in seiner Laufbahn so noch nicht beobachtet hat.
Forschung, Sicherheitsrisiken und die Frage, wen eine Sperre träfe
Die Basis dieser Nutzung reicht bis in die akademische Forschung. Nach Einschätzung des Autors wird der überwiegende Teil der wissenschaftlichen Arbeit mit Qwen-Modellen betrieben; die Führungsebene des Qwen-Teams verfolge diese Verbreitung sehr bewusst. Um das zu quantifizieren, hat er alle Paper in den fünf beliebtesten ML-Kategorien von arXiv ausgewertet, also cs.AI, cs.CL, cs.CV, cs.LG und stat.ML. Der Anteil der Arbeiten, die mindestens ein offenes Modell erwähnen, stieg von zwei Prozent im Januar 2023 auf 50 Prozent im September 2026. In den Monaten nach Metas ursprünglichem Llama nannten rund 2.600 von 12.000 neuen Papern eine prominente offene Modellfamilie, etwa 5,5 Prozent Llama und ein Prozent ein chinesisches Modell. Im Herbst 2024, auf dem Höhepunkt von Llama, waren es 23 Prozent bei Llama und 7,5 Prozent bei Qwen. Heute liegt Llama noch bei etwa 21 Prozent, während Qwen auf 30 Prozent gestiegen ist.
Dazu kommt eine regulatorische Unsicherheit, die mit den wachsenden Risiken an der Leistungsspitze zusammenhängt, etwa im Bereich Cybersicherheit. Ein strukturelles Problem offener Gewichte besteht darin, dass es kaum wirksame Mittel gibt, um zu verhindern, dass Software an falsche Akteure gelangt. Würde man den Zugang zu den stärksten chinesischen Open-Weight-Modellen einschränken, träfe es zuerst amerikanische Unternehmen. Ein Beispiel führt der Autor selbst an: Hugging Face nutzte ein chinesisches Open-Weight-Modell, um einen Cyberangriff zu verstehen, weil geschlossene Modelle die entsprechenden Anfragen verweigerten.
Der Umgang mit diesen Risiken läuft deshalb auf Vorbereitung des Ökosystems hinaus. Offene Modelle sind ein zentrales Werkzeug für die Verbreitung von KI geworden, und wer die Abhängigkeit amerikanischer Firmen von in China gebauten Modellen verringern will, muss Investitionen in eigene offene Modelle ermöglichen. Der Wettbewerb um offene Gewichte ist keine Nischenfrage, sondern eine Frage der Infrastruktur. Wer aufholt, gewinnt Steuerungsmöglichkeiten über Risiken, die ohnehin global sind. Wer weiter nur zusieht, überlässt die Grundlage der eigenen KI-Produkte einem anderen Land.
Quelle: interconnects.ai
