Im Januar 2025 erreichten Open-Weight-KI-Modelle kurzzeitig Gleichstand mit ihren Closed-Source-Konkurrenten; die Elo-Punkte-Differenz auf Arenas Crowdsourcing-Leaderboard fiel auf null. Dieser Moment ist vorbei. Per September 2026 hat sich der Abstand zwischen den besten geschlossenen Frontier-Modellen und ihren stärksten Open-Weight-Herausforderern laut Evaluierungsdaten von Arena AI auf 29 Elo-Punkte ausgeweitet.

Claude Opus 5 Max liegt derzeit bei einer Bewertung von 1505, während Kimi K3 Max von Moonshot AI, der stärkste Open-Word-Kandidat, fast 30 Punkte zurückliegt. Peter Gostev, AI Capability Lead bei Arena, spielt eine zentrale Rolle bei der Verfolgung und Visualisierung dieser Entwicklung.

Die Tragweite dieser Lücke geht über Leaderboards hinaus. Open-Weight-Modelle – deren Parameter heruntergeladen und auf der eigenen Infrastruktur eines Kunden betrieben werden können – sind für Unternehmen und Regierungen attraktiv, die Wert auf Datenkontrolle, regulatorische Compliance und die Vermeidung von Token-basierten API-Gebühren legen. Eine wachsende Leistungslücke bedeutet, dass Organisationen mit solchen Anforderungen zunehmend einen Zielkonflikt zwischen Souveränität und reiner Leistungsfähigkeit面临. Umgekehrt bedeutet der Rückstand von etwa vier Monaten, dass Open-Weight-Nutzer Funktionen erhalten, die geschlossene Modelle bereits bieten – nur mit Verzögerung.

Was die Zahlen tatsächlich bedeuten

Die Trajektorie ist aussagekräftiger als jede Momentaufnahme. Von null im Januar 2025 bis zu 29 Punkten im September 2026 bewegt sich der Trend weg vom Gleichstand für Open-Weight-Modelle. Epoch AIs Analyse bestätigt dieses Bild aus einem anderen Blickwinkel: Open-Weight-Modelle liegen bei der Leistung auf den anspruchsvollsten Aufgaben inzwischen rund vier Monate hinter ihren geschlossenen Pendants zurück – nach einem Rückstand von drei Monaten bis Ende 2025.

Arena verarbeitet monatlich über 10 Millionen Evaluierungen und stützt sich dabei auf einen großen Pool echter Nutzerinteraktionen statt auf synthetische Benchmarks. Das ist relevant, weil statische Benchmarks wiederholt für Kontamination kritisiert wurden – wenn Testdaten in Trainingsdatensätze gelangen – und weil sie oft nicht erfassen, wie Modelle auf unstrukturierte, realitätsnahe Prompts reagieren. Wenn Millionen anonymer Nutzer konsistent die Ausgaben eines Modells gegenüber denen eines anderen bevorzugen, lässt sich dieses Signal schwer ignorieren.

Auch Elo-Punkte selbst müssen interpretiert werden: Eine Lücke von 29 Punkten auf Arenas Skala bedeutet nicht, dass geschlossene Modelle in jeder Hinsicht kategorisch besser sind. Modelle können insgesamt nah beieinander liegen und gleichzeitig große Unterschiede bei bestimmten Aufgabentypen zeigen – weshalb Gostevs Arbeit zu Aufschlüsselungen nach einzelnen Fähigkeiten Aufmerksamkeit erhalten hat.

Das Geschäft der KI-Messung

Arena selbst ist zu einer bemerkenswerten Wirtschaftsgeschichte geworden. Was 2023 als Forschungsprojekt an der UC Berkeley begann, ist zu einem Unternehmen mit 100 Millionen US-Dollar annualisiertem Umsatz gewachsen und erreichte diese Run-Rate nur acht Monate nach dem Start kostenpflichtiger Evaluierungsdienste. Die Monetarisierung spiegelt ein breiteres Nachfragesignal wider: Da Unternehmen Budgets in KI investieren, sind sie bereit, für unabhängige, auf menschlichen Präferenzen basierende Messungen zu zahlen, welche Modelle tatsächlich liefern.

Gostevs Beitrag konzentrierte sich darauf, Schwächen von Modellen sichtbar zu machen. Seine Arbeit verdeutlicht die Spannung zwischen der Leistung von Modellen bei der Bewertung durch Fachexperten und durch allgemeine Nutzer – eine Unterscheidung, die für den Unternehmenseinsatz erheblich ist. Ein Leaderboard-Favorit allgemeiner Nutzer ist möglicherweise nicht das beste Modell etwa für juristische oder medizinische Aufgaben.

Die Geopolitik offener Modelle

Die aktivste Open-Weight-Modellentwicklung hat sich stark in Richtung chinesischer Labore verlagert. Moonshot AIs Kimi-Serie, Zhipus GLM, DeepSeek und Alibabas Qwen bilden die Spitze dessen, was öffentlich verfügbar ist. Das hat politisches Gewicht: In den USA und Europa werden Open-Weight-Veröffentlichungen im Rahmen geplanter KI-Regulierung diskutiert, wobei einige Politiker sich für Beschränkungen offener Gewichte oberhalb bestimmter Leistungsschwellen aussprechen. Der Großteil der Frontier-Open-Weight-Veröffentlichungen stammt inzwischen aus China, was bedeutet, dass die öffentlich einsehbare Spitze der KI zunehmend von chinesischen Ingenieursentscheidungen und Lizenzbedingungen geprägt wird. Die Lücke besteht dennoch fort, da Anthropic, OpenAI und Google DeepMind ihre geschlossenen Modelle weiter und schneller vorantreiben.

Die offene Frage ist, ob der Vier-Monats-Rückstand anhält, sich weiter vergrößert oder schrumpft – die Antwort wird Beschaffungsentscheidungen von Organisationen prägen, die auf offene Infrastruktur gesetzt haben, sowie bestimmen, wie viel Verhandlungsmacht Anbieter geschlossener Modelle bei der Preisgestaltung behalten.