Alibaba gibt die Gewichte seines Top-Modells frei
Alibaba hat mit Qwen 3.8-Max erstmals die Gewichte seines leistungsfähigsten Modells zum Download bereitgestellt. Bislang blieben die Max-Varianten hinter der API verschlossen, so wie es OpenAI und Google mit ihren Spitzenmodellen halten. Damit fällt eine der letzten Grenzen zwischen kommerziellem Modell-Abo und selbst betriebener KI.
Technisch handelt es sich um ein multimodales Mixture-of-Experts-Modell, kurz MoE. Bei dieser Architektur ist nur ein Teil des Netzes gleichzeitig aktiv: Von den 2,4 Billionen Parametern insgesamt werden pro erzeugtem Token rund 95 Milliarden genutzt. Das Kontextfenster reicht laut Alibaba bis zu 1 Million Tokens. Ob diese Länge nativ trainiert ist oder über nachträgliche Verlängerungsverfahren erreicht wird, lässt der Anbieter offen.
Der Betrieb im eigenen Haus ist allerdings kein Projekt für den Mittelstand. Für den Einsatz in kundennahen Anwendungen nennt Alibaba 48 bis 64 GPUs der Klasse Nvidia B200. Für interne Arbeitslasten mit weniger Parallelität sollen 8 bis 16 Nvidia B300 oder AMD MI355X genügen. Parallel kündigte das Unternehmen eine deutlich kleinere Variante mit 27 Milliarden Parametern an, die auf normaler Server-Hardware realistisch bleibt.
Zu den genauen Lizenzbedingungen der Max-Gewichte, etwa möglichen Einschränkungen für kommerzielle Nutzung, liegen bislang keine belastbaren Angaben vor. Das ist der Punkt, den Unternehmen vor einer Architekturentscheidung prüfen müssen.
DeepSeek V4-Flash: klein, schnell, billig
Den anderen Weg geht DeepSeek. Statt in die Breite zu bauen, presst das Unternehmen mit DeepSeek V4-Flash so viel Leistung wie möglich in wenige Gewichte. Das Modell kommt auf 284 Milliarden Parameter und belegt im FP4-Format rund 142 GB GPU-Speicher. Es passt damit auf einen einzelnen Unternehmensserver.
Im Intelligence-Ranking von Artificial Analysis liegt die Flash-Variante knapp 14 % über dem eigenen, 1,6 Billionen Parameter großen V4 Pro. Zu OpenAIs GPT-5.6 Luna ist der Abstand minimal. Zusätzlich hat DeepSeek ein Verfahren namens DSpark speculative decoding direkt in die Gewichte integriert. Spekulatives Dekodieren erzeugt Tokens vorab und verwirft falsche Vorhersagen, was den Durchsatz erhöht. Laut Entwickler sind auf identischer Hardware 57 bis 85 % mehr Durchsatz pro Nutzer möglich.
Es gibt außerdem Berichte, dass sich das Modell mit starker 3-Bit-Quantisierung auf einer Workstation mit 128 GB Speicher für rund 4.699 $ lokal ausführen lässt. Wie stark eine so aggressive Reduzierung der Rechengenauigkeit die Ausgabequalität in echten Geschäftsprozessen beeinträchtigt, ist offen. Für Experimente und interne Werkzeuge ist das dennoch eine bemerkenswerte Einstiegshürde.
Der Preisvergleich
Die reinen API-Preise zeigen, wie weit die Schere inzwischen auseinandergeht. Alle Werte pro 1 Million Tokens:
| Modell | Input | Cached Input | Output |
|---|---|---|---|
| Qwen 3.8-Max (QwenCloud) | 2,00 $ | 0,25 $ (implizit) / 0,17 $ (explizit) | 6,00 $ |
| DeepSeek V4-Flash | 0,14 $ | 0,0028 $ | 0,28 $ |
| Claude Sonnet 5 | 2,00 $ | 0,20 $ | 10,00 $ |
| GPT-5.6 Luna (bis 272.000 Tokens) | 0,20 $ | 0,02 $ | 1,20 $ |
Bei Qwen 3.8-Max kommen für explizit geschriebene Cache-Einträge zusätzlich 2,50 $ pro Million Tokens hinzu. Bei GPT-5.6 Luna verdoppeln sich die Preise, sobald der Kontext 272.000 Tokens überschreitet. Anthropic hebt die Preise für Claude Sonnet 5 zum 1. September 2026 um 50 % an.
Token-Preise allein sagen wenig aus, solange Reasoning-Modelle unterschiedlich viele Tokens verbrauchen. Aussagekräftiger sind die Kosten pro gelöster Aufgabe. Dort liegt DeepSeek V4-Flash bei 3 Cent, GPT-5.6 Luna bei 5 Cent. Das sind 40 % Unterschied, und das bei nahezu gleicher Bewertung im Benchmark. OpenAI hatte zuletzt bereits mit einer deutlichen Senkung der API-Preise reagiert. Anthropic bewegt sich in die andere Richtung.
Sicherheitsdebatte statt Preiskampf
Aus den USA kommt die Antwort bislang eher rhetorisch. Anthropic-CEO Dario Amodei erklärte, er sei nicht grundsätzlich gegen offene Modelle, sondern gegen solche aus China, gegen solche, die aus proprietären Modellen abgeleitet wurden, und gegen solche, die strenge Sicherheitsmaßstäbe verfehlen. Sinngemäß bleibt damit wenig übrig, was tatsächlich mit den eigenen Produkten konkurriert.
Dass Sicherheitsfragen bei großen Modellen real sind, hat Anthropic selbst dokumentiert, etwa als Claude-Modelle in fremde Systeme eindrangen. Das gilt aber unabhängig von der Herkunft der Gewichte. Wer ein Modell selbst betreibt, kann Netzzugriff, Werkzeuge und Berechtigungen zumindest vollständig kontrollieren. Bei einer geschlossenen API ist das nicht möglich.
Wie ausgeprägt der Vorsprung im offenen Lager ist, beschrieb Hugging-Face-CEO Clément Delangue:
Sie dominieren derzeit eindeutig bei den offenen Modellen, und es würde mich bei dieser Fortschrittsgeschwindigkeit nicht überraschen, wenn sie Ende dieses Jahres oder nächstes Jahr auch bei den Spitzenmodellen die Führung übernehmen. (sinngemäße Übersetzung)
Was das für Unternehmen im DACH-Raum bedeutet
Der praktische Effekt ist eine echte Wahlmöglichkeit. Wer bisher davon ausging, dass ernsthafte KI-Leistung nur über ein Abo bei OpenAI oder Anthropic zu bekommen ist, muss neu rechnen. Ein Modell wie DeepSeek V4-Flash lässt sich auf eigener Hardware oder bei einem europäischen Hoster betreiben, ohne dass Prompts und Firmendaten einen fremden Dienst passieren.
Zwei Einschränkungen bleiben. Erstens: Bei der Nutzung der chinesischen Cloud-Angebote QwenCloud oder DeepSeek-API ist die Rechtslage zu DSGVO und EU AI Act nicht geklärt, hier fehlen belastbare Aussagen der Anbieter. Wer datenschutzkritische Prozesse abbilden will, kommt an eigenem Hosting oder einem EU-Anbieter kaum vorbei. Zweitens: Die Hardware für Modelle in der Größe von Qwen 3.8-Max ist für die meisten Mittelständler keine Option. Die kleineren Varianten und Modelle wie V4-Flash sind hier die realistischeren Kandidaten.
Interessant wird die Kombination mit offenen Werkzeugen. Wer Coding-Agenten einsetzen will, kann etwa mit Goose als Open-Source-Alternative zu Claude Code ein beliebiges Modell dahinterschalten. Die Rechnung verschiebt sich dann von einer festen Abo-Gebühr pro Nutzer zu variablen Kosten, die sich mit dem Modellpreis nach unten bewegen. Und der bewegt sich derzeit vor allem nach unten.