Entwicklungen und Trends im Bereich Open-Source-Künstliche Intelligenz 2026

Die Landschaft der Künstlichen Intelligenz (KI) ist einem ständigen Wandel unterworfen. Insbesondere der Bereich der Open-Source-Modelle hat in den letzten Monaten des Jahres 2026 bemerkenswerte Entwicklungen erfahren. Diese Analyse beleuchtet die wichtigsten Beobachtungen und Trends, die den aktuellen Zustand offener KI-Modelle prägen.

Wachstum und Dynamik im Ökosystem

Die Anzahl der Modelle und Datensätze auf Plattformen wie dem Hugging Face Hub wächst kontinuierlich. Zwischen Januar und August 2026 stieg die Anzahl der öffentlichen Modell-Repositories von 2,43 auf 2,96 Millionen. Gleichzeitig wuchs die Zahl der Datensätze von 711.000 auf 1 Million und die der Spaces von 1,00 auf 1,44 Millionen. Diese Zahlen unterstreichen die exponentielle Expansion des Ökosystems. Es ist jedoch festzuhalten, dass die Verteilung der Downloads extrem ungleich ist: etwa 85,6 % der Modelle haben weniger als 200 Downloads, während 1,5 % der Repositories für 99,2 % aller Downloads verantwortlich sind.

Verschiebung der technologischen Führung und Geopolitik der KI

Chinas Aufstieg bei großen Open-Modellen

Eine der auffälligsten Entwicklungen ist die beschleunigte Bewegung der technologischen Grenze, insbesondere durch chinesische Laboratorien. Während es in der Vergangenheit eine schrittweise Entwicklung von kleineren zu größeren Modellen gab, haben chinesische Anbieter diesen Pfad im Jahr 2026 oft übersprungen. In fast jedem Monat des Jahres war das größte und leistungsfähigste offene Modell eines chinesischen Labors größer als alle vergleichbaren Veröffentlichungen aus amerikanischen Laboratorien. Die Parameterzahlen chinesischer Modelle bewegten sich zwischen 754 Milliarden und 2,78 Billionen, während amerikanische Spitzenmodelle in fünf von sieben Monaten unter 130 Milliarden Parametern blieben. Ausnahmen bildeten NVIDIAs Nemotron 3 Ultra mit 561 Milliarden und Inking von Thinking Machines Lab.

Diese Entwicklung wurde durch zwei Faktoren ermöglicht: Erstens hat der Bau großer Modelle aufgehört, ein Alleinstellungsmerkmal zu sein, da Unternehmen wie Xiaomi und Meituan in diesem Jahr die Billionen-Parameter-Grenze überschritten. Zweitens ist die Abhängigkeit von kleinen Modellen für die Zugänglichkeit gesunken, da die Community durch Quantisierungsschichten auch große Modelle innerhalb weniger Tage lauffähig machen kann.

Rolle der US-amerikanischen Akteure

Die USA sind im Open-Source-Bereich weiterhin präsent, jedoch mit einer veränderten Dynamik. Die beiden Organisationen, die in diesem Jahr die meisten neuen offenen Modelle veröffentlichten, sind Hardware-Hersteller: AMD und NVIDIA. Beide veröffentlichten jeweils über 200 neue Modell-Repositories, weit vor LiquidAI, das an dritter Stelle mit rund 100 Modellen lag. Dies deutet darauf hin, dass Hardware-Anbieter offene Modelle zunehmend als Mittel zum Verkauf ihrer Chips betrachten, indem sie hardwareoptimierte und frei verfügbare Modelle anbieten.

Der Schwerpunkt hat sich verschoben: Google und Meta, die in früheren Jahren maßgeblich die Open-Model-Veröffentlichungen prägten, liegen nun deutlich hinter NVIDIA zurück. Metas Verlagerung hin zu geschlossenen Flaggschiff-Modellen unterstreicht diesen Wandel zusätzlich. Open Source hat sich somit von den Modell-Laboratorien hin zu Hardware- und Infrastrukturunternehmen bewegt.

Bei Modellen über 100 Milliarden Parametern sind die meisten US-Veröffentlichungen in diesem Jahr keine Originalmodelle, sondern basieren auf chinesischen Modellen. Originale amerikanische Modelle in dieser Größenordnung sind Ausnahmen, wie Inking von Thinking Machines (952B), NVIDIAs Nemotron 3 Ultra (561B) und Nemotron 3 Super (124B) sowie Arcee AIs Trinity-Large (399B). AMD trug viele Konvertierungen bei, aber keine Originalmodelle dieser Größe. Diese Arbeit ist dennoch wichtig, da sie die effiziente Ausführung chinesischer Billionen-Parameter-Modelle auf amerikanischer Hardware ermöglicht, stellt aber eher eine Distributions- und Optimierungsschicht als eine Modellentwicklung dar.

Gleichzeitig werden chinesische Open-Modelle zunehmend für inländische Chips optimiert, was eine umgekehrte Wettbewerbssituation darstellt, in der Modelle auf spezifische Hardware-Ökosysteme zugeschnitten sind.

Aufmerksamkeit versus Adoption: Zwei unterschiedliche Ökonomien

Es zeigt sich eine deutliche Diskrepanz zwischen der Aufmerksamkeit, die ein Modell erhält (gemessen an Likes), und seiner tatsächlichen Nutzung (gemessen an Downloads). Von den Top 25 Modellen nach Downloads und den Top 25 nach Likes erschien nur ein einziges Modell in beiden Listen. Likes spiegeln das Interesse an neuen, oft bahnbrechenden Modellen wider, während Downloads auf etablierte, stabile Modelle hinweisen, die in Produktionspipelines integriert sind. Kleine, stabile Modelle wie all-MiniLM-L6-v2, das in sieben Monaten 1,55 Milliarden Mal heruntergeladen wurde, dominieren die Download-Zahlen, während neue Frontier-Modelle wie Kimi-K3 zwar viele Likes erhalten, aber vergleichsweise weniger Downloads aufweisen.

Chinesische Frontier-Laboratorien zeigen hier eine Besonderheit: fast alle Downloads von MiniMax und Moonshot entfallen auf Modelle über 70 Milliarden Parametern. Im Gegensatz dazu verzeichnen große amerikanische Konten wie Google, Microsoft und IBM Granite kaum Downloads in dieser Größenordnung. Dieser Unterschied wird in den Gesamtdownloads deutlich: Moonshots Frontier-Portfolio verzeichnete 37 Millionen Downloads, während Qwens breitere Strategie über verschiedene Modellgrößen hinweg 2.045 Millionen Downloads erreichte – etwa das 55-fache.

Veränderung der Wertakkumulation durch Open Weights

Die Lizenzierung von Frontier-Modellen zeigt, dass die größten Veröffentlichungen oft die freizügigsten Bedingungen aufweisen. Von 178 chinesischen Veröffentlichungen über 20 Milliarden Parametern in diesem Jahr trugen 59 % die Apache 2.0-Lizenz und 22 % die MIT-Lizenz, wobei keine einzige Veröffentlichung eine nicht-kommerzielle Beschränkung enthielt. Selbst DeepSeek und Z.ai veröffentlichten Modelle zwischen 700 Milliarden und 1,65 Billionen Parametern unter der einfachen MIT-Lizenz. Dies deutet darauf hin, dass der Ertrag nicht aus Lizenzgebühren, sondern aus anderen Quellen stammt: API- und Cloud-Geschäft, Hardware- und Plattformpositionierung oder die Stärkung der Position im Ökosystem. Die Bewertungen von Z.ai und Kimi zeigen, dass eine effektive Open-Source-Strategie Traktion und Wachstumschancen in der Community schaffen kann. Zukünftig wird sich die Branche wahrscheinlich auf klarere Monetarisierungspfade durch die Open-Source-Adoption konzentrieren.

Qwen als Basismodell der Community

Die Position eines Modells im Ökosystem wird nicht nur durch seine eigenen Veröffentlichungen definiert, sondern auch durch das Ausmaß, in dem die Community darauf aufbaut. Qwen hat sich hier als eine der größten Grundlagen im Open-Model-Ökosystem etabliert. Qwen-basierte Modelle machen 151.448 Derivate auf dem Hub aus, was dem 2,6-fachen der gesamten Präsenz von Meta und dem 4,7-fachen der Llama-Repositories entspricht. Google folgt mit 82.506 Derivaten. Die dritthäufigste Quelle ist Unsloth, ein Community-Konto, das quantisierte und feinabstimmungsbereite Builds veröffentlicht, von denen viele das Qwen-Ökosystem weiter erweitern.

Die Derivate von Qwen sind in den ersten sieben Monaten des Jahres 2026 um etwa 180–210 neue Repositories pro Tag gestiegen. Dies zeigt, dass die Adoption nicht nur durch einzelne Starts vorangetrieben wird, sondern Qwen zu einem festen Bestandteil des Standard-Workflows für Entwickler geworden ist, die Modelle feinabstimmen und bereitstellen. Faktoren wie Konsistenz in der Veröffentlichungsfrequenz, breite Abdeckung über verschiedene Größen und Anwendungsfälle sowie die offene Apache 2.0-Lizenzierung haben zu dieser Position beigetragen.

Kleine Modelle bleiben die praktische Schicht

Modelle unter 1 Milliarde Parametern machen 83 % aller Downloads aus, während Modelle über 100 Milliarden Parametern nur 1 % erreichen. Dies unterstreicht die anhaltende Bedeutung kleiner Modelle, die auf der Hardware der meisten Entwickler laufen können. Der Erfolg von llama.cpp, das im Februar 2026 Hugging Face beigetreten ist, hat die Möglichkeiten der lokalen Inferenz erheblich erweitert. Was früher ein 8B-Modell auf einem Laptop bedeutete, kann heute ein Billionen-Parameter-Mixture-of-Experts-Modell sein, das auf mehreren Consumer-Geräten verteilt ist. Dieser Weg, der vor einem Jahr noch nicht existierte, macht eine Frontier-First-Release-Strategie überhaupt erst praktikabel.

Qwen spielt auch hier eine zentrale Rolle: 39,6 Millionen GGUF-Downloads pro Monat, fast doppelt so viele wie Gemmas 20,8 Millionen und mehr als das Fünffache von Llamas 7,5 Millionen. Die Diskrepanz bei Llama ist kein Angebotsproblem; Llama-basierte GGUF-Repositories übertreffen die von Qwen zahlenmäßig. Der Laufzeit-Layer, der entscheidet, wo ein Modell physisch ausgeführt werden kann – lokale Inferenzformate, Apple Silicon, Robotersteuerungsstacks – wächst drei- bis siebenmal schneller als der Modellierungs-Kern.

Die Labore hinter den zehn größten Modellfamilien veröffentlichen sehr wenige offizielle GGUF-Konvertierungen. Dennoch werden GGUF-Versionen häufig von Entwicklern verwendet, die Modelle lokal ausführen. Eine offizielle Konvertierung bei der Veröffentlichung, die Dokumentation der Quantisierungsoptionen und die Signierung der Artefakte würden den Aufwand für die Labore begrenzen und die Lücke zwischen den von den Modellentwicklern getesteten Gewichten und den von der Community verwendeten Versionen schließen.

Agenten als neue Nutzergruppe

Eine neue Entwicklung ist das Aufkommen von Agenten als primäre Nutzer von KI-Plattformen. Der im Juli veröffentlichte agent-usage-Datensatz erfasst die Tokens, die von Coding-Agenten gesendet werden, wenn sie den Hub über huggingface_hub oder die hf CLI aufrufen. Im Juli führte Claude Code mit 44,4 % die Agenten-Nutzung an, wobei sich die Anteile schnell verschieben können. Fast ein Viertel des Agenten-Traffics im Juli stammte von noch nicht im Datensatz benannten Systemen, was auf eine rasche Zunahme neuer Akteure hindeutet.

Hugging Face hat auf diese Entwicklung reagiert, indem es machine-readable Markdown für Papers bereitstellte, Agenten-Traces als erstklassigen Datensatztyp einführte und einen agents.md-Endpunkt auf jedem Gradio Space bereitstellte. Die Konsolidierung erfolgte auch auf der Protokollebene, wobei MCP in die Agentic AI Foundation der Linux Foundation integriert wurde. Im Juli kam es zu einem dokumentierten Fall einer autonomen Agenten-Intrusion, bei der die Analyse des Angriffscodes letztendlich mit einem quantisierten offenen Modell (GLM-5.2) auf eigener Infrastruktur durchgeführt wurde, da geschlossene Frontier-Modelle die Analyse aufgrund ihrer Sicherheitsvorkehrungen ablehnten.

Ausblick

Im Vergleich zum Frühjahrsbericht beschleunigt sich die geografische Machtverschiebung weiter. Während US-amerikanische Open-Source-Modelle weiterhin existieren, zieht der Wettbewerb zwischen mehreren chinesischen Frontier-Modellen starke Aufmerksamkeit in der Community auf sich. Die vielen Likes für diese Frontier-Modelle deuten darauf hin, was die Community am meisten begeistert und bieten Wachstumschancen für Unternehmen, die diese Aufmerksamkeit für Bewertungen nutzen. Der KI-Wettlauf ist jedoch nicht nur ein Sprint, sondern auch ein Marathon. Tools wie llama.cpp helfen bei der lokalen Bereitstellung großer Modelle, aber eine breite Modellfamilie und deren Akzeptanz bleiben der Schlüssel, um eine positive Rückkopplungsschleife zwischen Entwicklern, Publishern und zukünftigen Nutzern aufzubauen. Modelle, die in die Infrastruktur eingebettet sind und Teil des Ökosystems werden, könnten am Ende des Tunnels zu einem kommerziell tragfähigen Ergebnis führen.

Da Agenten zum ersten Mal die primären Nutzer auf dem Hugging Face Hub sind, könnte der nächste Bericht ganz anders aussehen. In der KI können bereits wenige Monate das gesamte Ökosystem neu gestalten.

Bibliographie

• Hugging Face Blog: State of Open Models: Summer 2026 Observations. Veröffentlicht am 14. August 2026.
• The State of Open Source AI — v1.0.1 · July 2026. Raffi Krikorian.
• Mozilla’s Inaugural ‘State of Open Source AI’ Report Is Here. Raffi Krikorian. Veröffentlicht am 14. Juli 2026.
• Open-Weight vs Closed Frontier Models 2026: The Real Gap Measured — Lumiere. Veröffentlicht am 29. Juli 2026.
• The State of Open-Source Models 2026: The Big Board — Northwood Systems. Letzte Aktualisierung: 24. Juni 2026.
• The 2026 AI Index Report | Stanford HAI.
• The State of Open-Weight Models in 2026: Llama, Qwen, Mistral, DeepSeek | jamesm.blog. James M. Veröffentlicht am 12. Mai 2026.
• The State of the Open Frontier - Maxime Labonne. Maxime Labonne. Veröffentlicht am 6. Juli 2026.
• Open models lag state-of-the-art closed models by 4 months | Epoch AI. Veröffentlicht am 29. Mai 2026.
• July 2026 Open-Weight Wave: K3, Inkling and the New Gap. Digital Applied. Veröffentlicht am 17. Juli 2026.