Open-Source-KI Leseliste: Nathan Lamberts kuratierter Guide durch die Open-Models-Debatte

Wer in die Open-Models-Debatte einsteigen will, bekommt jetzt eine Landkarte: Nathan Lambert (Interconnects, 82.000 Abonnenten) hat seine private Research-Bibliothek für ein policy-orientiertes Buchprojekt veröffentlicht - kuratiert, datiert und nach Themen gegliedert. Wer lokale LLMs betreibt oder offene Gewichte strategisch einsetzt, findet hier die Kernquellen der Debatte.

Drei Ebenen der Liste

• Foundation: Was Open Models sind und warum Firmen sie veröffentlichen - von Zuckerbergs Llama-3-Manifest über Solaimans “Gradient of Generative AI Release” (Modelle als Spektrum statt Binärcode) bis zu Thinking Machines’ “A Safe Path to Open Weights”.
• US-China-Konkurrenz: Chinas strukturelle Open-Source-Vorteile, das ATOM Project, Lamberts eigene Berichte aus chinesischen KI-Labors und warum die führenden Open-Modelle seit 2024 aus China kommen (GLM-5.x, Kimi K3, DeepSeek).
• Technical Details: Der Open-Closed-Performance-Gap liegt laut SemiAnalysis-Evaluierungen inzwischen bei nur 4-6 Monaten. Der 2026er Streitpunkt Distillation: Ein aktuelles Paper zeigt, wie Frontier-APIs Reasoning-Traces systematisch extrahieren lassen - von Anthropic in seinem September-Report als “illicit distillation” durch chinesische Labore bestätigt.

Warum das relevant ist

Die Liste dokumentiert auch die westliche Adoptionswirklichkeit: Thomson Reuters ist von Claude auf Qwen-gestützte eigene Modelle umgestiegen, Perplexity adoptierte früh DeepSeek R1 - während US-Parlamentarier DoorDash, Airbnb und Anysphere (Cursor) wegen chinesischer Modelle probingten. Lambert aktualisiert die Liste fortlaufend und bittet um Ergänzungen in den Kommentaren.

Link: interconnects.ai