Offene KI-Modelle holen bei jeder Ära doppelt so schnell auf

Offene KI-Modelle (open-weight) holen bei jeder neuen Ära der Entwicklung großer Sprachmodelle etwa doppelt so schnell zu den besten geschlossenen Modellen auf. Das zeigt eine Analyse von SemiAnalysis mit dem Titel "Are Open Models Catching Up?", veröffentlicht am 21. August 2026. Statt jedes Modell an einem einzigen Benchmark-Satz zu messen, der sich mit der Zeit sättigt, bewertet SemiAnalysis jede Ära mit den Benchmarks, die sie tatsächlich prägten.

Drei Ären, drei Aufholzeiten

Die erste Ära, die des frühen Scalings, reicht von 2022 bis 2024. Referenzmodell war OpenAIs GPT-3.5 Turbo, veröffentlicht im November 2022, bewertet auf GSM8K, HumanEval, TriviaQA und MMLU-Pro. Metas Llama-2-70B war das erste offene Modell, das sich annäherte, mit einem Gesamtscore von 39,9 gegenüber 75,7 bei GPT-3.5 Turbo. Die Lücke schloss sich erst mit Metas Llama-3.1-405B im Juli 2024, mit einem Score von 86 — 19,7 Monate nach dem Start von GPT-3.5 Turbo.

Später in derselben Ära zog DeepSeek V3 im Dezember 2024 mit OpenAIs GPT-4o gleich, mit 94,1 gegenüber 95,5 Punkten, und Alibabas Qwen2.5-72B kam mit einem sechsmal kleineren Modell als Llama-3.1-405B nahe heran — 72 Milliarden statt 405 Milliarden Parameter — nach einem Vortraining mit 18 Billionen Tokens.

Die zweite Ära, die des Reasonings, reicht von 2024 bis 2025. Referenz war OpenAIs o1, veröffentlicht am 12. September 2024, bewertet auf GPQA-Diamond, AIME 2026, SimpleQA Verified und Humanity's Last Exam. DeepSeek-R1-0528 schloss im Mai 2025 eine anfängliche Lücke von 12,1 Punkten, mit einem Score von 78 gegenüber dem Ziel — in nur 8,5 Monaten.

Die dritte Ära, die agentische, läuft seit 2025 bis heute. Referenz ist Anthropics Claude Opus 4.5, veröffentlicht im November 2025, bewertet auf komplexen agentischen Aufgaben wie Programmierung und Computernutzung, mit Terminal-Bench 2.1, BrowseComp-Plus, τ³-Banking und DeepSWE. Moonshot AIs Kimi K2.6, veröffentlicht im April 2026, schloss die Lücke zu Claude Opus 4.5 in nur 4,8 Monaten — das schnellste Aufholen, das SemiAnalysis bislang beobachtet hat.

Die Aufholzeit halbiert sich immer wieder

• Ära des frühen Scalings — GPT-3.5 Turbo bis Llama-3.1-405B: 19,7 Monate
• Ära des Reasonings — o1 bis DeepSeek-R1-0528: 8,5 Monate
• Agentische Ära — Claude Opus 4.5 bis Kimi K2.6: 4,8 Monate

In allen drei Ären schrumpfen sowohl der anfängliche Punkteabstand zwischen dem ersten geschlossenen Modell und dem besten offenen Modell als auch die Zeit, um ihn zu schließen — die Aufholzeit hat sich mit jeder neuen Ära etwa halbiert. SemiAnalysis weist ausdrücklich auf reale Grenzen dieses Vergleichs hin: Benchmarks sind ein unvollkommener Indikator für reale Arbeit, und Modellentwickler können ein Modell gezielt auf einen bestimmten Benchmark statt auf allgemeine Fähigkeiten optimieren.

Warum das die Margen geschlossener Labore bedroht

Wenn offene Modelle Spitzenmodelle geschlossener Anbieter zu einem Bruchteil der Kosten erreichen können, droht die Modellebene der KI zur Massenware zu werden. Das ist eine ernste Bedrohung für die Margen von Spitzenlaboren wie OpenAI und Anthropic, die enorme Summen aufgebracht haben, um geschlossene Modelle zu bauen — in der Wette, dass Leistungsfähigkeit, nicht nur der Preis, sie vor offenen Alternativen schützen würde.

Ein größeres Rennen: der US-China-Hintergrund

GIGAZINE ergänzt in seinem Bericht über die SemiAnalysis-Analyse, dass Bloomberg unabhängig davon eine ähnliche Dynamik im breiteren KI-Wettlauf zwischen den USA und China verfolgt, wobei China bei Nutzung und Kosten teils vorne liegt, selbst wenn es bei der reinen Leistungsfähigkeit zurückliegt. GIGAZINE erinnert zudem daran, dass mehrere US-KI-Start-ups im Juli 2026 einen offenen Brief an die Trump-Regierung schickten, in dem sie darum baten, chinesische Open-Weight-Modelle nicht zu verbieten, mit dem Argument, dass der Zugang zu diesen Modellen auch amerikanischen Entwicklern nütze. Das ist einer der Fäden der agentischen Ära, die SemiAnalysis beschreibt: Gerade beim Einsatz von Agenten — einem der Anwendungsfälle, die über Tests im Stil von Terminal-Bench bewertet werden, die SemiAnalysis für seinen Vergleich der dritten Ära heranzieht — entscheiden sich diese Modellwahlen am konkretesten.

Für deutsche Unternehmen, die heute KI einsetzen, geht der Trend über die reinen Benchmark-Werte hinaus. Wenn eine glaubwürdige offene Alternative jetzt binnen Monaten statt Jahren nach dem Start eines geschlossenen Referenzmodells auftaucht, haben Teams, die einen Einsatz für 2026 oder 2027 planen, eine breitere Auswahl an Anbietern, die sie testen und gegeneinander ausspielen können, bevor sie ihr Budget an eine einzige API binden — und weniger Gewissheit, dass das aktuell beste geschlossene Modell bis zum Projektstart konkurrenzlos bleibt.