Die Woche vom 20. bis 27. Juli 2026 dürfte als die dichteste Open-Weight-Woche in die KI-Geschichte eingehen: DeepSeek hat sein Flaggschiff V4 nach einer mehrtägigen Testphase offiziell in den stabilen Betrieb überführt und schaltet heute die alten API-Endpunkte ab. Parallel hat Moonshot AI für den 27. Juli die vollständigen Gewichte von Kimi K3 angekündigt — mit 2,8 Billionen Parametern das größte jemals offen veröffentlichte KI-Modell. Für OpenAI, Anthropic und Google ist das eine unbequeme Entwicklung: Der Abstand zwischen offenen und geschlossenen Modellen schrumpft rasant.
DeepSeek V4: Frontier-Leistung unter MIT-Lizenz
DeepSeek V4 kommt in zwei Varianten: V4-Pro mit 1,6 Billionen Gesamtparametern (49 Milliarden pro Token aktiv) und das kompaktere V4-Flash mit 284 Milliarden Parametern (13 Milliarden aktiv). Beide bieten ein Kontextfenster von einer Million Tokens, bis zu 384.000 Tokens Ausgabe — und stehen unter der freizügigen MIT-Lizenz auf Hugging Face und ModelScope zum Download bereit. Nach einem sogenannten Grayscale-Rollout zwischen dem 17. und 19. Juli, bei dem API-Nutzer schrittweise auf die finalen Checkpoints umgestellt wurden, folgt heute der letzte Schritt: Die Legacy-Endpunkte deepseek-chat und deepseek-reasoner werden am 24. Juli endgültig abgeschaltet.
Die Benchmarks können sich sehen lassen: Auf SWE-bench Verified erreicht V4-Pro 80,6 Prozent — das beste je gemessene Open-Weights-Ergebnis, gleichauf mit Googles Gemini 3.1 Pro. Bei LiveCodeBench führt das Modell mit 93,5 Prozent, das Codeforces-Rating von 3206 entspricht dem Niveau eines internationalen Großmeisters. Schwächen zeigt V4 vor allem beim Faktenwissen (SimpleQA: 57,9 Prozent). Der eigentliche Hebel ist aber der Preis: Pro Ausgabe-Token ist V4-Pro fast 29-mal günstiger als Claude Opus 4.8, der Off-Peak-Einstiegspreis für V4-Flash liegt bei 0,14 Dollar pro Million Input-Tokens.
Kimi K3: Das größte offene Modell der Geschichte
Noch mehr Aufsehen erregt Kimi K3 von Moonshot AI, das am 16. Juli vorgestellt wurde. Das Modell nutzt eine LatentMoE-Architektur, die pro Anfrage nur 16 von 896 Experten-Subnetzen aktiviert, bietet ein Kontextfenster von einer Million Tokens und native Bildverarbeitung. Laut Bloomberg übertrifft K3 in der Gesamtleistung alle Konkurrenten außer Anthropics Claude Fable 5 und OpenAIs GPT-5.6 — als offenes Modell wohlgemerkt. Der Ansturm war so groß, dass Moonshot nur drei Tage nach dem Start keine neuen Abonnements mehr annehmen konnte, weil die Rechenkapazität nicht ausreichte. Die vollständigen Gewichte sollen bis zum 27. Juli veröffentlicht werden.
Der Abstand schrumpft auf drei bis fünf Monate
KI-Forscher Nathan Lambert spricht in seiner Analyse von einer „Open-Weights-Eskalation": Die Leistungslücke zwischen offenen und geschlossenen Spitzenmodellen sei von zuletzt sechs bis neun Monaten auf nur noch drei bis fünf Monate geschrumpft. Bemerkenswert ist dabei die Effizienz: Moonshot erzielte durch Architektur-Innovationen wie Delta Attention eine 2,5-fache Verbesserung der Skalierungseffizienz — chinesische Labore erreichen Frontier-Niveau mit deutlich weniger Kapital als ihre US-Konkurrenten. Dahinter steht auch politischer Wille: Staatschef Xi Jinping bekräftigte auf der World AI Conference Chinas Strategie, KI-Modelle quelloffen und global verfügbar zu machen.
Was bedeutet das?
Für Unternehmen in Deutschland und der EU ist die Entwicklung doppelt relevant. Erstens: MIT-lizenzierte Modelle lassen sich vollständig selbst hosten — ein starkes Argument für Datensouveränität und DSGVO-konforme Setups ohne US-Cloud-Abhängigkeit. Realistisch ist das vor allem mit den kompakteren Varianten wie V4-Flash; das 1,6-Billionen-Modell bleibt Rechenzentren vorbehalten. Zweitens: Der Preisdruck auf die geschlossenen Anbieter wächst massiv. Wenn offene Modelle 90 Prozent der Leistung zu einem Bruchteil der Kosten liefern, müssen OpenAI und Anthropic ihre Premium-Preise zunehmend mit Spitzenleistung und Zusatzdiensten rechtfertigen. Die Gewinner sind — wie so oft bei Open Source — die Anwender. Wer lokale Modelle im Detail vergleichen will, findet in unserer Übersicht lokaler KI-Modelle Hardware-Anforderungen und Fähigkeiten-Matrix.
Quellen
- DeepSeek V4 GA: Architecture, Inference Efficiency, and What the Grayscale Test Reveals — Hugging Face Blog
- Moonshot Unveils Kimi K3 AI Model, Narrowing Gap With US Rivals — Bloomberg
- Kimi K3: The open-weights escalation — Interconnects (Nathan Lambert)
- China's Kimi K3 and the rise of open-weight AI models — Scientific American