Chinesische Open-Source-KI-Modelle fordern den Ansatz des Silicon Valley heraus

Chinesische KI-Labore haben kürzlich eine Reihe von Open-Source-Modellen veröffentlicht, die fast an der Spitze der Technologie stehen, darunter Z.aigs GLM 5.2 im Juni, Moonshot AIs Kimi K3 letzte Woche und Alibabas Qwen 3.8 diesen Montag. Diese Modelle schneiden bei Benchmarks Dritter fast so gut ab wie die besten westlichen Modelle und sind für agentische Kodierungsaufgaben optimiert, den derzeit heißesten Bereich der KI. Die Veröffentlichung von Kimi K3 hat insbesondere im Silicon Valley und in Washington Aufmerksamkeit erregt; der Risikokapitalgeber David Sacks bezeichnete dessen Leistung als "besorgniserregend", und Handelsminister Scott Bessent deutete mögliche Sanktionen an. Michael Kratsios, Direktor des Büros für Wissenschafts- und Technologiepolitik im Weißen Haus, behauptete, Moonshot AI habe für K3 das Modell Fable von Anthropic destilliert und beschuldigte das Unternehmen, US-Technologie gestohlen zu haben. Moonshot AI reagierte nicht auf Anfragen um Stellungnahme. Die Modelle werden mit offenen Gewichten veröffentlicht, was sie zugänglich und transparent macht – ein Gegensatz zu westlichen Laboren wie Anthropic und OpenAI, die aus Sicherheitsbedenken den Zugang zu ihren neuesten Modellen eingeschränkt haben. Anthropics Mythos-Modell wurde nach Exportkontrollen vorübergehend vom Netz genommen, und OpenAI verzögerte GPT 5.6 nach einer Anfrage des Weißen Hauses. Chinesische Labore setzen auf Open Source, um Nutzer und Mitarbeiter anzuziehen, und ihre Modelle gelten inzwischen weithin als die besten Open-Source-Optionen. Arena AI stuft K3 als das beste Modell für Webentwicklung und auf dem vierten Platz bei agentischen Aufgaben ein, während Artificial Analysis es auf Platz drei setzt. Die Popularität von K3 hat Moonshots Server überlastet und zu vorübergehenden Anmeldebeschränkungen geführt. Einige westliche Nutzer stellen den Wert kostenpflichtiger Angebote von OpenAI und Anthropic infrage, da chinesische Modelle zu geringeren Kosten konkurrierende Leistung bieten, wenn auch möglicherweise mit höherem Token-Verbrauch. Der Open-Weight-Ansatz stellt die Annahme infrage, dass massive Finanzmittel für KI-Fortschritt nötig sind; Dean Ball merkt an, dass offene Gewichte weitere KI-Investitionen in Investitionsgüter abschrecken.