Am 13. August 2026 stellte Alibaba sein leistungsfähigstes KI-Modell der Weltöffentlichkeit völlig kostenlos zur Verfügung.
Das Modell trägt die Bezeichnung Qwen3.8-2.4T-A95B und entstammt der Tongyi Qwen-Serie von Alibaba. Mit 2,4 Billionen Parametern (den anpassbaren Stellschrauben innerhalb eines neuronalen Netzes) zählt es zu den weltweit größten Open-Source-Modellen. Die Gewichtungsdateien sind auf Hugging Face öffentlich zugänglich, stehen jedem zum Download bereit und besitzen eine Lizenz, die auch die kommerzielle Nutzung ausdrücklich erlaubt.
Am selben Tag veröffentlichte DeepSeek das Modell V4 Pro 0813, und Elon Musks xAI brachte Grok 4.6 auf den Markt. Dass drei führende Technologiekonzerne am selben Tag ihre Spitzenmodelle aktualisieren, wäre vor drei Jahren undenkbar gewesen. Ein Entwickler kommentierte in den Diskussionen treffend, dass die Taktzahl der KI-Veröffentlichungen inzwischen die „China-Zeit“ erreicht habe.
Was bedeuten 2,4 Billionen Parameter in der Praxis?
Das menschliche Gehirn besitzt etwa 86 Milliarden Neuronen. Mit 2,4 Billionen Parametern übertrifft das Modell diese Zahl um das 28-Fache. Rein rechnerisch wirkt es, als hätte man die Nervenzellen von 28 Menschen in ein einziges System gepackt.
Hier gibt es jedoch eine entscheidende architektonische Besonderheit: Bei einer Antwort werden keineswegs alle 2,4 Billionen Parameter gleichzeitig aktiviert.
Qwen3.8 nutzt eine Mixture-of-Experts-Architektur (MoE). Im Inneren des Modells arbeiten 512 spezialisierte „Experten“. Geht eine Anfrage ein, werden nur 10 Routing-Experten und 1 gemeinsamer Experte aktiviert – somit nehmen tatsächlich nur etwa 95 Milliarden Parameter an den aktiven Rechnungen teil. Als Vergleich: Stellen Sie sich ein Unternehmen mit 24.000 Mitarbeitern vor, bei dem für jede Aufgabe genau 95 Spezialisten zur Arbeit gerufen werden.
Die ingenieurtechnische Konsequenz ist massiv: Das Wissen wird beim Training in allen 2,4 Billionen Parametern verankert, bei der Ausführung (Inferenz) wird jedoch nur etwa 1/25 der Rechenleistung benötigt. So lassen sich maximale Modellkapazität und wirtschaftliche Erschwinglichkeit vereinen. Im Vergleich zu gleichwertigen herkömmlichen dichten Modellen (Dense Models) sinken die Inferenzkosten typischerweise um 70 bis 80 Prozent.
Auch die Dateigröße verdeutlicht die Dimensionen: Die Gewichtsdateien umfassen rund 5 TB (ca. 5.000 GB) – genug, um die Festplatten mehrerer Heimcomputer vollständig zu füllen. Dies ist kein Spielzeug für Mobiltelefone, aber durch die MoE-Architektur wurden die Betriebskosten auf ein absolut tragfähiges Niveau gesenkt.
Zudem kann das Modell standardmäßig ein Kontextfenster von 260.000 Token (was etwa einem umfangreichen Roman entspricht) verarbeiten. Durch Erweiterungen lässt sich das Kontextfenster auf bis zu 1 Million Token hochskalieren. Aus Sicht der Softwareentwicklung war die Fähigkeit, ein ganzes Buch einzulesen und Fragen dazu zu beantworten, noch vor zwei Jahren ausschließlich kostenpflichtigen, proprietären Flaggschiff-Modellen vorbehalten.
Warum wird ein solches Modell kostenlos bereitgestellt?
Um den Begriff „Open Source“ in diesem Zusammenhang einzugrenzen: Alle Modelldateien sind öffentlich einsehbar; Unternehmen und Einzelpersonen können sie herunterladen, analysieren, modifizieren und kommerziell einsetzen. Im Gegensatz dazu bleiben die stärksten Modelle wie GPT von OpenAI oder Gemini von Google hinter Paywalls verborgen und werden nach Nutzung abgerechnet.
Die Ausbildung eines Modells mit 2,4 Billionen Parametern verursacht Rechenkosten in dreistelliger Millionenhöhe (in US-Dollar). Ein solches Asset verschenkt man in der Wirtschaftsgeschichte nur sehr selten.
Welche Ziele verfolgt Alibaba? Aus unserer Sicht stehen mindestens drei strategische Gründe im Vordergrund:
Erstens: Ökosystem. Das Open-Source-Modell dient als Eingangstor. Je mehr Entwickler Qwen nutzen, desto größer wird die Nachfrage nach den Cloud-Diensten und API-Angeboten von Alibaba. Parallel zur Veröffentlichung der Open-Source-Variante stellte Alibaba das kostenpflichtige API-Modell Qwen3.8-Max vor, welches Bildverarbeitung unterstützt und standardmäßig ein 1-Millionen-Token-Kontextfenster bietet. Die Gratisvariante baut Reichweite auf, die Bezahlvariante generiert Umsatz.
Zweitens: Wettbewerbsdruck. DeepSeek hat mit einer Strategie aus „Open Source plus extrem niedrigen Preisen“ enorme Marktanteile unter Entwicklern gewonnen. Alibaba musste reagieren. Das am selben Tag veröffentlichte Modell DeepSeek V4 Pro 0813 senkte den Eingabepreis auf 0,435 US-Dollar pro Million Token. Wenn der Preiskampf dieses Niveau erreicht, gerät jeder ins Hintertreffen, der sein Modell nicht öffnet.
Drittens: Das geopolitische Umfeld. Internationale Entwickler merkten an, dass die chinesischen Behörden die internationale Zusammenarbeit bei Open-Source-KI-Modellen explizit unterstützen. Dies hat auch dazu beigetragen, dass Alibaba seine zuvor zeitweise verengte Open-Source-Strategie wieder deutlich lockerte.
Das ingenieurtechnische Urteil: Alibaba verzichtet auf den direkten Verkauf des Modells selbst und monetarisiert stattdessen das umgebende Ökosystem. Beide Geschäftsmodelle haben Vor- und Nachteile, aber Alibabas strategische Wette ist eindeutig.
Open Source vs. Closed Source: Welcher Ansatz hat mehr Zukunft?
Dies ist die zentralste Debatte hinter dieser Veröffentlichung.
Die Verfechter geschlossener Systeme (OpenAI, Google, Anthropic) argumentieren: Je mächtiger Modelle werden, desto gefährlicher sind sie; Kontrolle und Missbrauchsschutz gelingen nur hinter verschlossenen Türen. Zudem müssen Unternehmen Modelle verkaufen, um das Kapital für die Entwicklung der nächsten Generation aufzubringen. Diese Logik bezüglich Sicherheit und kommerzieller Nachhaltigkeit ist in sich schlüssig.
Die Open-Source-Fraktion hält dagegen: Nur Transparenz ermöglicht unabhängige Sicherheitsüberprüfungen, nur gemeinsame Entwicklung in der Community sorgt für schnellen Fortschritt, und Nutzer werden nicht von einzelnen Anbietern abhängig gemacht. Auf Hacker News bemerkte ein Entwickler, dass Open Source es jedem erlaubt, Spitzen-KI auf eigener Hardware auszuführen – etwas, das geschlossene Systeme prinzipbedingt verweigern.
Beide Seiten haben valide Argumente. Doch einige Fakten liegen klar auf dem Tisch.
Welcher Weg langfristig erfolgreicher ist, lässt sich heute noch nicht abschließend beantworten. Ein Trend ist jedoch unverkennbar: Geschlossene Modelle versuchen ihren Preisaufschlag durch technische Abschottung zu verteidigen, während Open-Source-Modelle Skaleneffekte nutzen, um die Kosten zu minimieren. Wie lange diese Abschottung funktioniert, hängt davon ab, wie schnell Open Source aufholt – und im Jahr 2026 verläuft diese Aufholjagd deutlich schneller als von vielen erwartet.
Im Jahr 2026 hat sich der Abstand zwischen Open-Source-Modellen und proprietären Spitzenmodellen von einem „Generationsunterschied“ auf „wenige Prozentpunkte“ verringert. Qwen3.8 schneidet in zahlreichen Programmier-Benchmarks auf Augenhöhe mit GPT-5.6 und Claude Opus 4.8 ab. Auf dem PaperBench-Evaluierungsset erreichte Qwen3.8 eine Punktzahl von 93,0 und übertraf damit GPT-5.6 Sol (90,5).
Skepsis bleibt jedoch bestehen. In den Diskussionen auf HN bezeichneten einige Nutzer die Angaben auf der Modellkarte als „zu gut, um wahr zu sein“. Andere wiesen darauf hin, dass das Modell im bf16-Format ohne Quantisierung (Technik zur Komprimierung von Modellgrößen) veröffentlicht wurde, wodurch die Leistung nach einer Komprimierung noch unklar ist. Auch die Hardwareanforderungen geben zu denken: Selbst eine 1-Bit-komprimierte Version benötigt noch rund 397 GB VRAM – für normale Consumer-Hardware unerreichbar.
Diese Einwände sind berechtigt. Der Wettlauf um die Parameteranzahl hat zudem kein fixes Ziel – Kimi K3 hatte zuvor bereits ein Modell mit 2,8 Billionen Parametern veröffentlicht, und Rekorde werden kontinuierlich gebrochen. Parameter sind nicht alles, und Testergebnisse spiegeln nicht zwingend die reale Nutzungserfahrung wider.
Dennoch lässt sich eine Tatsache kaum leugnen: Das Open-Source-Lager des Jahres 2026 kann sich auf Augenhöhe mit den geschlossenen Tech-Giganten messen. Das hätte vor zwei Jahren kaum jemand für möglich gehalten.
Warum sollte das breite Publikum sich dafür interessieren?
Erstens: Wegen der Preise. Open-Source-Modelle drücken die Preisanker des gesamten Marktes nach unten. Dadurch werden die KI-Produkte, die Sie täglich nutzen, schrittweise günstiger.
Zweitens: Wegen der Unabhängigkeit. Es handelt sich um ein KI-Modell der weltweiten Spitzenklasse, das den Nutzern gehört – der Download und die kommerzielle Nutzung erfordern keinerlei Erlaubnis durch Dritte.
Drittens: Wegen der Zukunft. Die Sprachassistenten auf Ihrem Smartphone, die Kundenservice-Bots in Unternehmen oder Assistenzsysteme in Krankenhäusern werden künftig in ihren Grundfesten auf Modellen aufbauen, die heute kostenlos freigegeben werden. Was heute kostenlos zur Verfügung gestellt wird, fließt morgen in unzählige Alltagsprodukte ein.
Der Parameterrekord von 2,4 Billionen wird früher oder später fallen. Doch die Tatsache, dass das leistungsfähigste Modell kostenlos bereitgestellt wird, zeigt, dass sich die Logik des KI-Wettbewerbs verändert: Weg vom reinen Parameter-Wetzrüsten hin zu der Frage, wer KI-Fähigkeiten den meisten Menschen zugänglich machen kann. Auf diesem Weg liegt Open Source derzeit vorn.
Es gibt noch ein weiteres, leises Signal: Wenn Spitzenmodelle zu öffentlichen Gütern werden, ist die KI in den Händen der Menschen nicht mehr das Wohlwollen eines einzelnen Großkonzerns. Vielleicht ist es noch zu früh für ein abschließendes Urteil, aber die Richtung stimmt.
Referenz-Links:
- Hugging Face: Qwen/Qwen3.8-2.4T-A95B
- HN-Diskussion (HN)
- NVIDIA Tech-Blog: Serve Qwen3.8-2.4T-A95B on GB300 NVL72
- Qwen Offizielles X: Qwen3.8-Max Ankündigung
- vLLM Rezept: Qwen3.8-2.4T-A95B
Hinweis zur Bildprüfung: Der Originalinhalt (Hugging Face Model Card) besteht aus Reintext und Tabellen ohne eingebettete Bilder. Alle per Skript extrahierten img-Elemente waren Website-Logos, Avatare oder Badges und wurden regelkonform gefiltert. Daher enthält dieser Artikel keine Bilder. Vollständige Liste:
1. huggingface.co/front/assets/huggingface_logo-noborder.svg (95×88, Website-Logo, gefiltert)
2. cdn-avatars.huggingface.co/v1/production/uploads/6215ca5692c0ecfba9186921/hrRM50-6XcdWgg2AKpENG.jpeg (200×200, Qwen Avatar, 2 Vorkommen, gefiltert)
3. img.shields.io/badge/Qwen%20Studio-536af5?logo=qwen&logoColor=white (99×20, Qwen Studio Badge, gefiltert)
