Offene Modelle liegen drei Monate hinter der Spitze, und laut Lambert erklärt Destillation das nicht

Nathan Lambert hat die Aufzeichnung seiner Vorlesung über offene Modelle veröffentlicht, die er am 22. Oktober im Kurs AI Safety in Harvard gehalten hat. Seine Kernthese: Offene Modelle liegen nur wenige Monate hinter geschlossenen, obwohl amerikanische Labore nach den von ihm zitierten Quellen rund zehnmal mehr Rechenleistung haben.

Chinesische offene Modelle halten mit einem Zehntel der Rechenleistung mit

Lambert hat früher die Olmo-Modelle bei Ai2 mitgeleitet und führt heute die gemeinnützige Trillium Labs. Die Vorlesung dauert 48 Minuten, er will sie etwa alle sechs Monate aktualisieren. Dieser Text stützt sich auf seine öffentlichen Folien, aus denen die folgenden Zahlen stammen.

Nach dem Index von Artificial Analysis liegen offene Modelle etwa drei Monate hinter der Spitze, nach dem Software-Engineering-Index von Epoch AI etwa fünf. Amerikanische offene Modelle liegen laut Lambert noch einmal drei bis vier Monate zurück. Zu den stärksten neuen Modellen zählt er Xiaomi MiMo-V2.6-Pro mit einer Billion Parametern und einem Wert von 46 sowie DeepSeek V4.1 Flash mit 45.

Auf der anderen Seite steht die Rechenleistung. Nach den Schätzungen, die Lambert zitiert, verfügen führende US-Labore über rund zehnmal so viel wie ihre chinesischen Pendants. Das Institut IFP beziffert den durchschnittlichen Vorsprung der fünf größten US-Labore Ende 2026 auf das 16-Fache.

Destillation ist für Lambert eine bequeme Erklärung, kein Hauptantrieb

Amerikanische Labore erklären chinesische Fortschritte gern mit Destillation, gemeint ist vor allem das Abgreifen verborgener Reasoning-Ausgaben aus ihren APIs und das Training darauf. Lambert räumt ein, dass es solche Teams in China häufig gibt. Öffentliche Forschung zeige aber nicht, dass fremde Denkspuren einen einfachen Leistungssprung bringen. Reinforcement Learning spiele eine immer größere Rolle. Radar hat bereits über seine Kritik berichtet, wie US-Behörden das Wort Destillation verwenden.

Als Beleg nennt er Xiaomi, das das Training von MiMo-V2.6 live auf einem öffentlichen Dashboard übertragen hat. Die Pro-Version absolvierte 30 RL-Schritte in 5 Tagen und 7 Stunden, verarbeitete 75 Milliarden Tokens und kostete 2,62 Millionen Dollar. Die kleinere Flash-Version kam auf 854.000 Dollar. Lamberts Schluss: Würde Destillation verboten, blieben chinesische Labore starke Konkurrenten, denn Aufholen braucht viel weniger Rechenleistung als die Spitze zu verschieben.

Für Unternehmen, die offene Modelle einsetzen, ist ein anderer Teil der Vorlesung praktischer: die Lizenzen. DeepSeek, Qwen, gpt-oss und Gemma 4 stehen unter MIT oder Apache 2.0. Kimi K3 und Muse Spark Open verlangen dagegen ab 20 Millionen Dollar Umsatz mit Inferenzdiensten einen gesonderten Vertrag, und GLM-5.3 fordert ab 10 Milliarden Dollar eine Sicherheitsprüfung. Lambert erinnert daran, dass die meisten dieser Bedingungen noch nie vor Gericht geprüft wurden.

Eine Vorlesung im Sicherheitskurs, die vor allem für Offenheit wirbt

Lambert ist Befürworter offener Modelle und macht daraus kein Geheimnis. Vor einem Publikum aus einem Sicherheitskurs argumentiert er, ein Verbot offener Modelle würde vor allem die Wirtschaft bremsen, während böswillige Akteure trotzdem an sie herankämen. Er räumt ein, dass offene Gewichte manche Schäden tatsächlich beschleunigen, etwa Deepfakes ohne Einwilligung. Die Liste der Cybervorfälle auf seinen Folien betrifft allerdings vor allem geschlossene Modelle, was sein Argument bequem stützt.

Die Schwachstellen benennt er selbst. Downloads von Hugging Face nennt er einen äußerst unvollkommenen Maßstab. Über die Wirkung von Destillation gebe es sehr wenige öffentliche Daten, seine eigene Position ist also eher eine fundierte Schätzung als ein Beweis. Zudem gesteht er zu, dass chinesische Labore etwas stärker auf öffentliche Benchmarks achten könnten und amerikanische Modelle bei seltenen Aufgaben ausgewogener wirken.

In einem halben Jahr zeigt sich, ob der Abstand nach dem Abschotten der APIs hält

Lambert sagt selbst, dass die Labore gerade erst beginnen, ihre APIs gegen Destillation abzusichern. Wächst der Abstand danach, hatten die Labore recht. Bleibt er bei rund drei Monaten, bestätigt sich seine Lesart: Über das Rennen entscheiden Forschung und eigenes RL.

Das zweite Signal ist die Nachfrage nach amerikanischen offenen Modellen. Laut Lambert werden US-Modelle mit ähnlicher Leistung zwei- bis fünfmal häufiger heruntergeladen als chinesische. Holen amerikanische Labore bei der Leistung auf, können sie Unternehmen ein Modell ohne geopolitische Fragezeichen anbieten. Bis dahin führen chinesische Modelle bei Leistung, Downloads und Zitaten in der Forschung.

Liliths Urteil

Wer den Vorsprung eines Rivalen mit Abschreiben erklärt, sollte auch erklären, warum Xiaomi das Training seines Modells live gestreamt hat, samt Preisschild von 2,62 Millionen Dollar. Wenn die Labore ihre APIs dichtmachen und der Abstand trotzdem bei drei Monaten bleibt, bleibt Amerika der eine Vorteil, den niemand herunterladen kann: Gigawatt in Rechenzentren.