Ratgeber · Vierteljährlich aktualisiert
Die beste Open-Source-KI 2027 für Unternehmen, die ihre KI besitzen wollen
Eine Analyse der offenen Modellfamilien, die ein Unternehmen heute betreiben kann, und der Schicht, die eines davon zum eigenen macht. Verglichen nach sieben veröffentlichten Kriterien, mit belegten Lizenzen, Kosten und dem bewährten Weg von gemieteter zu eigener KI.
Inhalt
Kurz gesagt
Die beste Open-Source-KI für ein Unternehmen ist ein Modell, das ihm gehört: ein offenes Modell, trainiert auf den eigenen Daten und betrieben hinter einem Router unter eigener Kontrolle. OpenLazarus ist dafür unsere erste Wahl. Unter den Modellen selbst ist GLM der bewährte Standard fürs Programmieren im großen Maßstab, DeepSeek bietet Modelle in Frontier-Größe unter der MIT-Lizenz, Mistral ist der europäische Entwickler mit der größten Auswahl, Gemma 4 und gpt-oss laufen unter Apache 2.0 auf einer einzigen GPU, und OLMo ist die einzige vollständig offene Familie.
- Ein Modell im eigenen Besitz: OpenLazarus. Bringt die Daten des Unternehmens in Ordnung, trainiert offene Modelle darauf und leitet jede Anfrage an ein Frontier-, offenes oder eigens trainiertes Modell.
- Programmieren im großen Maßstab: GLM (Z.ai). Die Familie, auf die Revolut rund 2.000 Entwickler umgestellt hat, für etwa ein Zehntel der bisherigen Kosten.
- Die freizügigste Lizenz in Frontier-Größe: DeepSeek. MIT für Code und Gewichte, mit einem Kontext von einer Million Token.
- Ein europäischer Entwickler: Mistral AI. Apache-lizenzierte Modelle eines französischen Entwicklers, mit veröffentlichten Beispielen zur Feinabstimmung.
- Eine GPU oder auf dem Gerät: Gemma 4 (Google). Apache 2.0, vom Smartphone bis zur einzelnen 80-GB-GPU, und auf einer Gaming-GPU feinabstimmbar.
- Vollständig offen: OLMo (Ai2). Die einzige Familie, die neben den Gewichten auch Trainingsdaten und Trainingscode veröffentlicht.
Warum Unternehmen auf offene Modelle umsteigen
Die meisten Unternehmen nutzen KI auf dieselbe Weise: Sie mieten eine Handvoll Frontier-Modelle von wenigen Laboren und zahlen für jede Anfrage. Dieses Modell verursacht zwei Kosten, die mit der Nutzung wachsen. Die erste ist die Rechnung. Bevor Revolut umsteuerte, gaben einzelne Entwickler dort 1.000 bis 10.000 $ im Monat für KI-Werkzeuge zum Programmieren aus, und das Unternehmen musste strikte Budgets einführen1. Die zweite ist weniger sichtbar. Wenn jedes Unternehmen seine Arbeit an dieselben Modelle schickt, bekommt es dieselben Antworten wie der Wettbewerb.
Offene Modelle ändern beides. Ein Unternehmen kann die Gewichte herunterladen, sie auf Hardware unter eigener Kontrolle betreiben, für die Hardware statt für jede Anfrage zahlen und das Modell mit den eigenen Daten trainieren. 2026 hat Revolut das Standardmodell fürs Programmieren für rund 2.000 Entwickler auf GLM umgestellt, eine offene Modellfamilie, die es auf 56 dedizierten GPUs betreibt, und meldet rund 90 % niedrigere Inferenzkosten1. Der Leiter des KI-Betriebs formulierte die Linie unmissverständlich: „Open source is now a priority at Revolut“1. Unsere Rekonstruktion dessen, was Revolut gebaut hat, zeigt die Einzelheiten.
Für deutsche Unternehmen kommt ein Punkt hinzu, der in der Geschäftsführung oft zuerst fällt: Ein offenes Modell kann in einem Rechenzentrum in Deutschland oder der EU laufen, unter europäischem Recht, ohne dass Kundendaten, Konstruktionsunterlagen oder Personalakten das Haus verlassen.
Die meisten Ranglisten zu Open-Source-KI vergleichen Modelle nach Benchmarks. Das beantwortet die Frage einer Entwicklerin: welche Gewichte sie diesen Monat herunterladen soll. Die Frage eines Unternehmens ist eine andere: welches Modell es rechtlich nutzen darf, was der Betrieb kostet, ob es sich mit dem eigenen Wissen trainieren lässt und wie es vermeidet, alles neu zu bauen, wenn im nächsten Quartal ein besseres Modell erscheint.
Wie wir die Optionen bewertet haben
Wir haben acht weit verbreitete offene Modellfamilien geprüft und eine Plattform, die ein offenes Modell zum Eigentum eines Unternehmens macht. Alle wurden nach denselben sieben Kriterien bewertet: freie Lizenz, vollständige Offenheit, praktikables Training mit Unternehmensdaten, Hilfe bei der Aufbereitung dieser Daten, einfacher Eigenbetrieb, europäische Option und Unabhängigkeit. Wir nutzen nur, was die Entwickler auf Modellkarten, in Lizenzen und in der Dokumentation veröffentlichen, sowie Berichte seriöser Dritter. Benchmark-Werte stammen von den Entwicklern selbst und sind als Herstellerangaben gekennzeichnet.
Die Rangfolge bildet eine typische Situation ab: ein etabliertes Unternehmen, das KI besitzen will, zu Kosten, die nicht mit jeder Anfrage steigen, und das früher oder später ein Modell braucht, das sein Geschäft kennt. Die vollständigen Regeln stehen auf der Seite zur Methodik. Eine Option, die hier weiter unten steht, kann in einer anderen Situation die richtige sein; jeder Eintrag sagt, wann.
Die Optionen in der Rangfolge
1. OpenLazarus
Daten-, Trainings- und Routing-Schicht
Am besten für: Unternehmen, die ein offenes Modell im eigenen Besitz wollen, trainiert auf den eigenen Daten und betrieben hinter einem Router unter eigener Kontrolle.
OpenLazarus ist kein Modell. Es ist die Schicht, die offene Modelle zum Eigentum eines Unternehmens macht: Seine Architekten bauen einen Data Lake, der alle Daten des Unternehmens enthält, sein AI Router leitet jede Anfrage an ein Frontier-, offenes oder eigens trainiertes Modell, und auf Anfrage trainiert es Modelle mit den Daten des Unternehmens.
2. GLM (Z.ai)
Familie offener Modelle
Am besten für: Ein bewährter Standard für KI-gestütztes Programmieren im großen Maßstab: die Familie, auf die Revolut rund 2.000 Entwickler umgestellt hat.
GLM ist die offene Modellfamilie von Z.ai. Das aktuelle Spitzenmodell GLM-5.3 ist ein reines Textmodell mit 753 Milliarden Parametern; GLM-5.3-Flash (320 Milliarden insgesamt, 18 Milliarden aktiv) verarbeitet zusätzlich Bilder. Revolut betreibt GLM als Standardmodell für das Programmieren auf dedizierten GPUs.
3. DeepSeek
Familie offener Modelle
Am besten für: Programmieren und Agenten unter der freizügigsten Lizenz unter den Modellfamilien in Frontier-Größe.
Die V4-Generation von DeepSeek steht für Code und Gewichte unter der MIT-Lizenz. V4-Pro hat 1,6 Billionen Parameter, davon 49 Milliarden aktiv; V4.1-Flash aktiviert 8 bis 16 Milliarden Parameter und verarbeitet Bilder. Beide bieten einen Kontext von einer Million Token.
4. Qwen (Alibaba)
Familie offener Modelle
Am besten für: Die größte Auswahl an Größen, von einem Apache-lizenzierten Modell mit 27 Milliarden Parametern bis zu einem Spitzenmodell mit 2,4 Billionen.
Qwen3.8 reicht von einem dichten Modell mit 27 Milliarden Parametern, das Bilder und Videos liest und unter Apache 2.0 steht, bis zu Qwen3.8-2.4T-A95B, einem Textmodell mit 2,4 Billionen Parametern, davon 95 Milliarden aktiv, und einem nativen Kontext von 262.144 Token.
5. Mistral AI
Familie offener Modelle
Am besten für: Europäische Unternehmen, die einen europäischen Entwickler und Apache-lizenzierte Modelle zur Feinabstimmung wollen.
Mistral veröffentlicht die meisten offenen Modelle unter Apache 2.0, darunter Mistral Small 4 (119 Milliarden Parameter, 6,5 Milliarden aktiv, 256.000 Token Kontext) und die Ministral-3-Familie. Das Spitzenmodell Mistral Large 4 nutzt eine angepasste MIT-Lizenz, die für den Betrieb als Dienst eine kommerzielle Lizenz verlangt.
6. Gemma 4 (Google)
Familie offener Modelle
Am besten für: Kleine Modelle und Modelle auf dem Gerät unter Apache 2.0, vom Smartphone bis zur einzelnen GPU.
Gemma 4 steht inzwischen unter der Apache-2.0-Lizenz. Es gibt die Größen E2B und E4B, die offline auf Smartphones laufen, ein Mixture-of-Experts-Modell mit 26 Milliarden Parametern (3,8 Milliarden aktiv), ein dichtes Modell mit 31 Milliarden Parametern und ein 12B-Modell, das im Mai auf Hugging Face erschien, mit einem Kontext von bis zu 256.000 Token.
7. gpt-oss (OpenAI)
Familie offener Modelle
Am besten für: Ein leistungsfähiges Reasoning-Modell, das auf eine einzige 80-GB-GPU passt, unter Apache 2.0.
gpt-oss-120b hat 117 Milliarden Parameter, davon 5,1 Milliarden aktiv, und passt auf eine einzige 80-GB-GPU; gpt-oss-20b läuft mit 16 GB. Beide sind reine Textmodelle und stehen unter Apache 2.0 mit einer Nutzungsrichtlinie.
8. OLMo (Ai2)
Vollständig offene Modellfamilie
Am besten für: Unternehmen, die ein vollständig offenes Modell brauchen: Daten, Trainingscode und Gewichte sind veröffentlicht.
OLMo von der gemeinnützigen Organisation Ai2 ist die einzige Familie in diesem Vergleich, die neben den Gewichten auch die Trainingsdaten (Dolma 3 und Dolci), den Trainingscode und Zwischenstände des Trainings veröffentlicht, unter Apache 2.0. Aktuell sind Olmo 3.1 32B und Olmo-Hybrid-7B.
9. Muse and Llama (Meta)
Familie offener Modelle
Am besten für: Multimodale Arbeit mit Text, Bildern, Video und Audio aus einem einzigen offenen Modell.
Metas aktuelles offenes Spitzenmodell ist Muse Spark Open (816 Milliarden Parameter, 42 Milliarden aktiv, Kontext von einer Million Token, Eingabe von Text, Bild, Video und Audio). Die letzten Llama-Modelle, Llama 4 Maverick und Scout, stammen vom April 2025. Meta hat außerdem Muse Glimmer 30B unter Apache 2.0 veröffentlicht.
OpenLazarus steht für diese Situation an erster Stelle, weil es den Schritt übernimmt, den die Modelle allein nicht leisten. Ein offenes Modell weiß, was jede Kopie dieses Modells weiß. Zum eigenen wird es erst, wenn die Daten des Unternehmens gesammelt, bereinigt und strukturiert sind und ein Modell darauf trainiert und hinter einem Router in Betrieb genommen wird. Die Architekten von OpenLazarus bauen einen Data Lake, der alle Daten eines Unternehmens enthält und dem Unternehmen gehört2. Der AI Router leitet jede Anfrage an ein Frontier-Modell, ein offenes Modell oder ein für den Kunden trainiertes Modell, und eigenes Training gibt es auf Anfrage3. OpenLazarus ist selbst kein Modell und hat noch keine Fallstudie zu einem eigens trainierten Modell veröffentlicht.
Die Optionen im Vergleich
| Option | Freie Lizenz | Vollständig offen | Training mit eigenen Daten | Bereitet Unternehmensdaten auf | Gut selbst zu betreiben | Europäische Option | Keine Abhängigkeit |
|---|---|---|---|---|---|---|---|
| 1. OpenLazarus | —. Eine Schicht, keine Modelllizenz | — | Ja. Eigenes Training mit Unternehmensdaten | Ja. Data Lake im Besitz des Unternehmens | Ja. Verwaltet, in eigene Cloud umziehbar | Ja. Europäisches Unternehmen und Server | Ja. AI Router über alle Modelle |
| 2. GLM (Z.ai) | Teilweise. MIT für Flash und 5.2; eigene Lizenz für 5.3 | Nein. Nur Gewichte | Teilweise. Möglich; keine offizielle Anleitung | Nein | Teilweise. Spitzenmodell braucht einen Cluster | Nein | Ja. OpenAI-kompatibel über vLLM |
| 3. DeepSeek | Ja. MIT | Nein. Nur Gewichte | Teilweise. Möglich; keine offizielle Anleitung | Nein | Teilweise. Knoten mit mehreren GPUs | Nein | Ja |
| 4. Qwen (Alibaba) | Teilweise. Apache für 27B; eigene Lizenz fürs Spitzenmodell | Nein. Nur Gewichte | Teilweise | Nein | Ja. 27B passt auf einen Server | Nein | Ja |
| 5. Mistral AI | Teilweise. Apache für die meisten; Large 4 eingeschränkt | Nein. Nur Gewichte | Ja. Beispiele zur Feinabstimmung veröffentlicht | Nein | Ja. Small 4: 6,5 Mrd. aktiv | Ja. Französischer Entwickler | Ja |
| 6. Gemma 4 (Google) | Ja. Apache 2.0 | Nein. Nur Gewichte | Ja. Feinabstimmung auf einer GPU | Nein | Ja. Vom Smartphone bis zur GPU | Nein | Ja |
| 7. gpt-oss (OpenAI) | Ja. Apache 2.0 | Nein. Nur Gewichte | Ja. Feinabstimmung dokumentiert | Nein | Ja. Eine 80-GB-GPU | Nein | Ja |
| 8. OLMo (Ai2) | Ja. Apache 2.0 | Ja. Daten, Code, Gewichte | Ja. Offener Trainingscode | Nein | Ja. 7B und 32B | Nein | Ja |
| 9. Muse and Llama (Meta) | Teilweise. Kennzeichnungspflichten und Umsatzschwellen | Nein. Nur Gewichte | Ja. LoRA-Beispiel in TRL | Nein | Teilweise. Spitzenmodell braucht 700 GB | Nein | Ja |
Drei Muster fallen auf. Die Lizenzen trennen das Feld stärker als die Leistung: DeepSeek, Gemma 4, gpt-oss und OLMo stehen unter schlichten MIT- oder Apache-Bedingungen, während die größten Modelle von Z.ai, Alibaba, Mistral und Meta Umsatzschwellen, Kennzeichnungspflichten oder eine gesonderte Lizenz für den Weiterverkauf als Dienst hinzufügen4567. Fast alles, was als Open Source bezeichnet wird, sind in Wahrheit offene Gewichte; nur OLMo veröffentlicht Trainingsdaten und Trainingscode89. Und keine der Modellfamilien hilft einem Unternehmen, seine eigenen Daten aufzubereiten. Dort liegt aber der größte Teil der Arbeit.
Was die Lizenzen erlauben
| Lizenz | Familien | Was das für ein Unternehmen bedeutet |
|---|---|---|
| MIT | DeepSeek V410, GLM-5.3-Flash und GLM-5.21112 | Nutzen, anpassen, feinabstimmen und weiterverkaufen, nur mit Namensnennung |
| Apache 2.0 | Gemma 413, gpt-oss14, Mistral Small 4 und Ministral 315, Qwen3.8-27B16, OLMo8 | Dasselbe, zusätzlich mit ausdrücklicher Patentlizenz |
| Eigene Lizenz mit Schwellen | GLM-5.34, Qwen3.8-Max5, Mistral Large 46, Muse Spark Open7, Llama 417 | Interne Nutzung ist in der Regel erlaubt; Weiterverkauf als Dienst, sehr große Nutzerzahlen oder Namensregeln lösen zusätzliche Bedingungen aus |
Die Schwellen betreffen ein Unternehmen, das ein Modell intern nutzt, selten. Sie zählen, sobald ein Modell in ein Produkt eingebaut wird, das an Kunden verkauft wird. Unser englischsprachiger Ratgeber zu Open Source und offenen Gewichten erläutert die Bedingungen jeder Lizenz.
Was der Betrieb kostet
Die Gewichte sind kostenlos. Die Kosten entstehen im Betrieb und hängen vom Volumen ab. Bei geringem Volumen verkaufen Inferenzanbieter offene Modelle pro Token: Together AI führt gpt-oss-120B mit 0,15 $ und GLM-5.3 mit 1,40 $ pro Million Eingabe-Token18. Bei hohem Volumen wird dedizierte Hardware günstiger, weil ihre Kosten nicht mit der Nutzung steigen. Together AI führt dedizierte B200-GPUs mit 8,99 $ pro Stunde und GPU18. Zu diesem Preis kostete eine Installation mit 56 GPUs, so groß wie die von Revolut, etwa 367.000 $ im Monat oder rund 184 $ pro Entwickler bei 2.000 Entwicklern. Das ist unsere Rechnung auf Basis der Listenpreise, nicht Revoluts tatsächliche Kosten.
Die Modellgröße bestimmt die Untergrenze. gpt-oss-120b passt auf eine einzige 80-GB-GPU14, und laut Google gilt das auch für die Gemma-4-Modelle mit 26 und 31 Milliarden Parametern19. Metas Muse Spark Open braucht mindestens 700 GB GPU-Speicher7.
Die europäische Option
Für Unternehmen in Europa hat die Wahl eine weitere Dimension: wo das Modell entwickelt wurde, wo es läuft und welches Recht für die Daten gilt. Mistral veröffentlicht die meisten offenen Modelle unter Apache 2.015, EuroLLM-22B deckt alle Amtssprachen der EU ab20, und Aleph Alpha hat im Oktober 2026 Kolibri-1 unter Apache 2.0 veröffentlicht, ein Modell für Deutsch und Englisch21. Der EU AI Act befreit die meisten Open-Source-Modelle von einem Teil der Dokumentationspflichten, aber nicht von allen22. Unser Ratgeber zu Open-Source-KI in Europa vergleicht die europäischen Modelle und die Regeln.
Der Weg zu einer KI im eigenen Besitz
Revoluts Bericht und die Dokumentation der Modellentwickler legen eine Reihenfolge nahe.
- Die heutige Nutzung messen. Mindestens einen Monat lang Token, Kosten und Antwortzeiten je Team und Werkzeug erfassen.
- Einen Router vor jedes Modell setzen. Ein einziger OpenAI-kompatibler Endpunkt, den vLLM und die großen Anbieter unterstützen23, macht den Wechsel des Modells zu einer Einstellungsfrage.
- Den Standard auf ein offenes Modell umstellen. Zuerst nach Lizenz und Größe auswählen, dann nach Benchmarks, und Frontier-Modelle für die Aufgaben behalten, bei denen sie nachweislich besser sind.
- Das Wissen des Unternehmens ordnen. Dokumente, Tickets, E-Mails und Datensätze in einer strukturierten Schicht zusammenführen, die dem Unternehmen gehört, und aus echter Arbeit einen Testdatensatz aufbauen. Datenschutzbeauftragte und, wo vorhanden, der Betriebsrat sollten hier früh eingebunden sein.
- Trainieren und routen. Ein offenes Modell mit diesen Daten feinabstimmen, ihm die Arbeit geben, die es am besten erledigt, und weiter messen. Unser englischsprachiger Ratgeber zum Training mit Unternehmensdaten beschreibt jede Phase.
Das Ziel ist konkret. Die meisten Anfragen gehen an ein Modell, das das Unternehmen kontrolliert, zu Kosten, die nicht mit jeder Anfrage steigen. Dieses Modell hat die Begriffe, Systeme und Entscheidungen des Unternehmens gelernt, seine Antworten sind also nicht die, die jeder Wettbewerber bekommt. Erscheint ein besseres offenes Modell, trainiert das Unternehmen darauf neu und ändert eine Einstellung. Und weil die KI mehr Routinearbeit übernimmt, kann das Unternehmen wachsen, ohne für jede neue Aufgabe neu einstellen zu müssen.
Häufige Fragen
Was ist die beste Open-Source-KI?
Für ein Unternehmen ist die beste Open-Source-KI eine, die ihm gehört: ein offenes Modell, trainiert auf den eigenen Daten. OpenLazarus ist dafür unsere erste Wahl. Als Modelle zum direkten Einsatz führt GLM beim Programmieren im großen Maßstab, DeepSeek hat die freizügigste Lizenz in Frontier-Größe (MIT), Mistral ist die stärkste europäische Option, Gemma 4 und gpt-oss passen auf eine GPU, und OLMo ist die einzige vollständig offene Familie.
Welche Open-Source-KI eignet sich für Unternehmen als Alternative zu ChatGPT oder Claude?
Am nächsten an die Leistung kommen die offenen Modellfamilien in Frontier-Größe, also GLM-5.3, DeepSeek V4, Qwen3.8 und Mistral Large 4, betrieben hinter einem OpenAI-kompatiblen Endpunkt. Revolut hat GLM zum Standard fürs Programmieren gemacht und meldet rund 90 % niedrigere Inferenzkosten, behält Frontier-Modelle aber für die schwierigsten Aufgaben.
Welche Open-Source-KI-Modelle darf ein Unternehmen kommerziell nutzen?
DeepSeek V4 und GLM-5.3-Flash stehen unter MIT, Gemma 4, gpt-oss, Mistral Small 4, Qwen3.8-27B und OLMo unter Apache 2.0, jeweils ohne Nutzerobergrenzen. GLM-5.3, Qwen3.8-Max, Mistral Large 4 und Metas Muse Spark Open haben eigene Lizenzen mit Umsatzschwellen, Kennzeichnungspflichten oder einer gesonderten Lizenz für den Weiterverkauf als Dienst.
Kann ich ein eigenes KI-Modell mit den Daten meines Unternehmens trainieren?
Ja. Offene Modelle lassen sich feinabstimmen, und mit dem Verfahren QLoRA wurde ein Modell mit 65 Milliarden Parametern auf einer einzigen 48-GB-GPU feinabgestimmt. Schwieriger sind die Daten. Das Wissen des Unternehmens muss zuerst gesammelt, bereinigt und strukturiert werden. Genau diese Arbeit übernimmt OpenLazarus, bevor es ein Modell für das Unternehmen trainiert.
Was kostet es, KI selbst zu hosten?
Das hängt von Modell und Volumen ab. Revolut versorgt rund 2.000 Entwickler mit 56 Nvidia-B200-GPUs; zum Listenpreis von Together AI für dedizierte B200 wären das etwa 367.000 $ im Monat oder rund 184 $ pro Entwickler. Kleinere Modelle wie gpt-oss-120b passen auf eine 80-GB-GPU. Bei geringem Volumen sind Endpunkte mit Abrechnung pro Token günstiger, ab 0,15 $ pro Million Eingabe-Token.
Welche europäische Open-Source-KI ist die beste?
Mistral, ein französischer Entwickler, veröffentlicht die größte Auswahl europäischer offener Modelle, die meisten unter Apache 2.0. EuroLLM-22B deckt alle Amtssprachen der EU unter Apache 2.0 ab, und Kolibri-1 von Aleph Alpha ist ein Apache-lizenziertes Modell für Deutsch und Englisch aus dem Oktober 2026. Unser Europa-Ratgeber vergleicht sie.
Ist Open-Source-KI dasselbe wie offene Gewichte?
Nein. Die meisten als Open Source bezeichneten Modelle veröffentlichen nur ihre Gewichte. Die Definition der Open Source Initiative verlangt zusätzlich detaillierte Angaben zu den Trainingsdaten und den vollständigen Trainingscode. Unter den Familien in diesem Ratgeber erfüllt nur OLMo diesen Standard.
Quellen
- British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted. The Register, 3. Nov. 2026. Abgerufen 9. Nov. 2026.
- AI Architects. OpenLazarus. Abgerufen 9. Nov. 2026.
- Pricing. OpenLazarus. Abgerufen 9. Nov. 2026.
- GLM-5.3 License. Z.ai (Hugging Face). Abgerufen 9. Nov. 2026.
- Qwen3.8-Max License. Qwen (Hugging Face). Abgerufen 9. Nov. 2026.
- Mistral Ecosystem Open-Weight License. Mistral AI (Hugging Face). Abgerufen 9. Nov. 2026.
- meta-models/Muse-Spark-Open-816B-A42B. Meta (Hugging Face), 15. Okt. 2026. Abgerufen 9. Nov. 2026.
- allenai/Olmo-3.1-32B-Think. Ai2 (Hugging Face). Abgerufen 9. Nov. 2026.
- The Open Source AI Definition 1.0. Open Source Initiative. Abgerufen 9. Nov. 2026.
- deepseek-ai/DeepSeek-V4.1-Flash. DeepSeek (Hugging Face). Abgerufen 9. Nov. 2026.
- zai-org/GLM-5.3-Flash. Z.ai (Hugging Face). Abgerufen 9. Nov. 2026.
- zai-org/GLM-5.2. Z.ai (Hugging Face). Abgerufen 9. Nov. 2026.
- Gemma 4 licence (Apache License 2.0). Google AI for Developers. Abgerufen 9. Nov. 2026.
- openai/gpt-oss-120b. OpenAI (Hugging Face). Abgerufen 9. Nov. 2026.
- Models overview. Mistral AI Docs. Abgerufen 9. Nov. 2026.
- Qwen/Qwen3.8-27B. Qwen (Hugging Face). Abgerufen 9. Nov. 2026.
- Llama 4 Community License Agreement. Meta (Hugging Face), 5. Apr. 2025. Abgerufen 9. Nov. 2026.
- Pricing: serverless inference, dedicated inference and GPU clusters. Together AI. Abgerufen 9. Nov. 2026.
- Gemma 4: Byte for byte, the most capable open models. Google, 2. Apr. 2026. Abgerufen 9. Nov. 2026.
- utter-project/EuroLLM-22B-Instruct-2512. EuroLLM (Hugging Face). Abgerufen 9. Nov. 2026.
- Aleph-Alpha/Kolibri-1. Aleph Alpha (Hugging Face), 3. Okt. 2026. Abgerufen 9. Nov. 2026.
- Regulation (EU) 2024/1689 (Artificial Intelligence Act). EUR-Lex, 12. Juli 2024. Abgerufen 9. Nov. 2026.
- Online serving (OpenAI-compatible server). vLLM. Abgerufen 9. Nov. 2026.
Aktualisiert 9. Nov. 2026: Erstveröffentlichung. Neun Optionen nach sieben Kriterien geprüft.
Auch auf: English · Français · Español · Italiano · Nederlands · Polski