Chinas Open-Source-KI setzt auf MoE, kleine Modelle und eigene Chips
đź’ˇ Quellen-Hinweis: Dieser Beitrag ist eine redaktionelle Zusammenfassung basierend auf einem Originalbericht von Hugging Face Blog.
Ein Jahr nach dem viel beachteten DeepSeek-Moment hat sich Chinas Open-Source-KI deutlich ausdifferenziert. Im Mittelpunkt steht nicht mehr nur die Jagd nach dem höchsten Benchmark-Wert. Entscheidend werden Kosten, flexible Bereitstellung, offene Lizenzen und die Abstimmung mit verfügbarer Hardware. Hugging Face beschreibt diese Entwicklung als Wettbewerb um komplette Systeme statt um einzelne Modellgewichte.
Mixture of Experts wird zum Standardmuster
Viele führende Modellfamilien wie Kimi K2, MiniMax M2 und Qwen3 setzen auf Mixture-of-Experts-Architekturen. Dabei wird pro Anfrage nur ein Teil spezialisierter Modellbereiche aktiviert. Das ermöglicht hohe Gesamtkapazität, ohne für jede Inferenz sämtliche Parameter berechnen zu müssen. Unter begrenzten Rechenressourcen entsteht so ein attraktives Verhältnis zwischen Qualität und Betriebskosten. Große MoE-Modelle dienen häufig als Leistungsobergrenze und Lehrmodell, deren Fähigkeiten anschließend in kleinere Varianten destilliert werden.
Parallel wächst die Nachfrage nach Modellen zwischen 0,5 und 30 Milliarden Parametern. Sie lassen sich leichter lokal betreiben, anpassen und in Unternehmens- oder Agenten-Workflows integrieren. Das Ökosystem erweitert sich zugleich über Text hinaus: Audio, Bild, Video, 3D und multimodale Agenten entwickeln sich zusammen mit Datensätzen, Evaluierungen, Inferenzwerkzeugen und Edge-Cloud-Pipelines.
Offene Lizenzen senken die EinsatzhĂĽrde
Nach DeepSeek R1 hat sich Apache 2.0 bei chinesischen Open-Modellen stark verbreitet. Standardisierte, permissive Lizenzen vereinfachen Änderung und kommerzielle Nutzung und reduzieren rechtliche Unsicherheit. Individuelle, restriktivere Lizenztexte verlieren dagegen an Attraktivität. Für Unternehmen ist das praktisch relevant: Technische Offenheit allein reicht nicht, wenn die Nutzungsbedingungen eine produktive Integration erschweren.
Vom Modell zur heimischen Infrastruktur
Modelle werden zunehmend gemeinsam mit Quantisierungsformaten, Serving-Engines und Unterstützung für chinesische Beschleuniger veröffentlicht. DeepSeek-V3.2-Exp bot etwa direkt Support für Huawei Ascend und Cambricon. Ant Group berichtet bei Ling von Training auf heimischen Chips nahe der Leistung einer Nvidia H800 und rund 20 Prozent geringeren Kosten für eine Billion Token. Baidu dokumentierte für Qianfan-VL einen Cluster aus mehr als 5.000 Kunlun-P800-Beschleunigern.
Die strategische Konsequenz ist klar: Modelle, Hardware und Betriebssoftware wachsen zu einem Stack zusammen. Für Anwender erhöht das Auswahl und Preisdruck, verlangt aber genauere Kompatibilitätsprüfungen. Noch bleiben Rechenengpässe und Exportkontrollen zentrale Unsicherheiten. Der Wettbewerb verlagert sich dennoch dauerhaft von isolierter Modellleistung hin zu belastbaren, offen nutzbaren KI-Plattformen.
Originalquelle: Hugging Face Blog – Architectural Choices in China’s Open-Source AI Ecosystem: Building Beyond DeepSeek
