Mark Zuckerberg greift geschlossene KI-Modelle der AI Labs an und verteidigt Destillation

Trending Topics auf Google als bevorzugte Nachrichtenquelle festlegen.

Es ist ein Doppelschlag aus Produkt und Programmatik. Am Montag hat Meta Superintelligence Labs (MSL) das Modell Muse Glimmer vorgestellt – 30 Milliarden Parameter, Gewichte frei herunterladbar auf Hugging Face unter der permissiven Apache-2.0-Lizenz. Parallel dazu argumentiert Konzernchef Mark Zuckerberg in einem längeren Grundsatztext, dass Superintelligenz breit verteilt gehöre und nicht in den Händen einiger weniger Institutionen. Sein Kernsatz: Eine einzelne, wohlwollende Superintelligenz gebe es nicht – Sicherheit entstehe erst durch ein Gleichgewicht der Kräfte („balance of power“).

Adressat der Kritik sind, ohne dass sie namentlich genannt würden, jene Labs, die ihre stärksten Modelle nicht herausgeben. Das gefährlichste Szenario, schreibt Zuckerberg, sei nicht die Veröffentlichung leistungsfähiger Modelle, sondern dass führende Labs sie für sich behielten – egal, wie sehr das mit Verantwortung und Sicherheit begründet werde. Auch am Alignment-Verständnis der Konkurrenz arbeitet er sich ab: Die meisten Labs verstünden Alignment als Durchsetzung eines zentralen Wertekanons, Meta hingegen als Ausrichtung eines Agenten an den Zielen der jeweiligen Nutzerin oder des Nutzers.

Der Widerspruch: Muse Spark ist geschlossen

Genau diese Argumentation trifft auf eine Ausgangslage, die Meta selbst geschaffen hat. Mit Muse Spark brach der Konzern im April 2026 mit der Llama-Tradition offener Gewichte: Das erste Frontier-Modell der neu formierten Superintelligence Labs kam ohne Open Weights, als gehostetes Produkt. Im Juli folgte Muse Spark 1.1 samt der ersten kostenpflichtigen Meta Model API – laut Anbieterangaben ab 1,25 US-Dollar pro Million Input-Tokens und 4,25 Dollar pro Million Output-Tokens. Anfang August kam Version 1.2 mit dem Coding-Agenten Muse Code dazu, ebenfalls ohne herunterladbare Gewichte.

Vorausgegangen war ein schwieriges Jahr für Metas Open-Weights-Strategie: Llama 4 galt vielen als Enttäuschung, dazu kam die Debatte um eine für Benchmark-Rankings eingereichte, nicht veröffentlichte Variante des Modells. Chefwissenschaftler Yann LeCun, das Gesicht der offenen Forschungskultur des Hauses, verließ Meta im November 2025. Der Umbau unter Alexandr Wang, der über die milliardenschwere Scale-AI-Transaktion zu Meta kam, war ausdrücklich produkt- und umsatzgetrieben.

Vor diesem Hintergrund liest sich der Montag als Korrektur, oder zumindest als Nachjustierung. Im Essay kündigt Zuckerberg an, dass Meta „bald“ wieder Open-Source-Modelle veröffentlichen werde. Muse Glimmer ist der erste Beleg dafür. Zusätzlich stellten Zuckerberg und MSL-Chef Alexandr Wang in Posts auf X und Threads offene Gewichte für eine Version von Muse Spark 1.2 in Aussicht – ein Zeitplan jenseits von „in den kommenden Wochen“ wurde bisher nicht genannt.

Was Muse Glimmer technisch kann

Muse Glimmer ist explizit kein Frontier-Modell, sondern auf lokale, dauerhaft laufende Agenten zugeschnitten. Meta hat das Modell per Logit-Distillation aus Muse Spark trainiert und anschließend auf agentische Aufgaben nachtrainiert. Über einen Perception Encoder verarbeitet es auch Bilder, etwa Screenshots, Charts oder Dokumente; trainiert wurde es auf Daten aus mehr als 100 Sprachen.

Der Trick für den Betrieb auf Consumer-Hardware ist Quantisierung: Statt der über 55 Gigabyte, die das Modell in voller Präzision benötigen würde, schrumpft es auf unter 20 GB – laut Meta ohne nennenswerte Qualitätseinbußen bei agentischen Aufgaben. Dazu kommt ein leichtgewichtiges „Drafter“-Modell auf Basis von DFlash für Speculative Decoding, das die Generierung laut Meta-Messungen um Faktor 3,1 auf einer RTX 5090, 1,8 auf einem M5 Max und 1,5 auf einem M4 Max beschleunigt.

Als Vergleichspunkte in den eigenen Benchmarks nennt Meta Gemma4-31B und Qwen3.6-27B, also die direkte Größenklasse. Verfügbar ist das Modell über Hugging Face, laufen soll es unter anderem via Ollama, LM Studio, Unsloth, llama.cpp, ExecuTorch, MLX, vLLM und SGLang; Hardware-Partner sind AMD, Arm, Dell, Intel und Nvidia.

Wie sich der Widerspruch auflösen lässt

Für die Diskrepanz zwischen Rhetorik und Produktportfolio gibt es mehrere Lesarten, die sich nicht ausschließen.

Erstens die geschäftliche: Metas Erlöse hängen nicht am Verkauf von Modellen, sondern an Reichweite und Werbung. Offene, kleine Modelle senken die Kosten des Ökosystems und binden Entwickler:innen – während das Frontier-Modell über die API monetarisiert wird. Die Arbeitsteilung „klein und offen für lokale Agenten, groß und geschlossen für zahlende Kundschaft“ ist damit ökonomisch konsistent, auch wenn sie sich mit der Rhetorik reibt.

Zweitens die geopolitische: Zuckerberg fordert im Essay ausdrücklich, US-Regeln zu Trainingsdaten und Distillation zu lockern, damit amerikanische offene Modelle gegenüber der starken chinesischen Open-Weights-Konkurrenz aufholen können. Exportkontrollen auf Chips sollen dagegen bleiben. Ein Verbot ausländischer Open-Source-Modelle lehnt er ab. Der Marktanteil chinesischer offener Modelle ist damit ein zentrales Motiv des Relaunches.

Drittens die regulatorische: Der Text ist auch ein Positionspapier gegen Vorschläge, Frontier-Modelle langsamer oder kontrollierter auszurollen. Zuckerberg schlägt stattdessen vor, Behörden Zwischenstände aus dem Training zugänglich zu machen, und verweist auf ein neues Governance-Konstrukt, in dem Metas unabhängiges Board die Sicherheitskriterien für Modell-Releases freigibt.

Zuckerbergs Argumente: Open Weights als Standortfrage

Den ausführlichsten Teil seines Essays widmet Zuckerberg der Frage, welche Nationen die Entwicklung und Verbreitung fortgeschrittener KI anführen. Wer dort führe, präge die künftige geopolitische Machtbalance – und um sicherzustellen, dass die führenden Systeme die eigenen Werte transportieren, schreibt er: „The best way to achieve this is to distribute our systems widely.“ Meta wolle dazu unter anderem mit Open-Source-Modellen beitragen.

Seine Begründungskette im Detail:

Zum Tempo: KI sei wohl „the most competitive industry in history“, Innovationen würden binnen Monaten kopiert und absorbiert. Weil Nutzer:innen aber stets das fortschrittlichste Modell wollten, sei selbst ein Vorsprung von zwei Monaten „incredibly valuable“ – ein Hinweis darauf, wie schmal die Marge der Marktführerschaft sei. Entsprechend scharf formuliert er die politische Konsequenz: Jede Politik, die amerikanische Modell-Releases verlangsame, „even by a month“, könne die US-Führung ernsthaft gefährden, während ausländische Modelle davonziehen.

Zum Anspruch im Open-Source-Ökosystem: Die USA und ihre Verbündeten müssten auch bei offenen Modellen führen, die einen großen Teil der weltweiten KI-Nutzung ausmachen würden. „Our goal should be for American open source models to be the best globally“, schreibt Zuckerberg. Derzeit sieht er amerikanische Labs im Nachteil, weil sie „many additional restrictions on training data“ einhalten müssten – US-Politik müsse diese Reibung reduzieren.

Zur Distillation: Dass Modelle von anderen Modellen lernen können, bezeichnet er als tragendes Prinzip des Open-Source-Ökosystems. Alle KI-Modelle leiteten sich aus menschlichem Wissen ab; manche versuchten, Distillation als schädlich zu rahmen. Er wolle stattdessen den Grundsatz schützen: „you can learn from anything you can observe“. Ohne das könnten die USA nicht führen. Bekannt ist, dass Anthropic chinesischen Unternehmen vorgeworfen hat, via Distillation Claude-Modelle kopiert zu haben; währenddessen hat Apple erlaubterweise und gegen Milliardenzahlung LLMs von Google’s Gemini-Modellen destilliert.

Gegen Sperren ausländischer Modelle: Zugang zu ausländischen Open-Source-Modellen zu beschränken hält er nicht für eine wirksame Lösung. Menschen und Unternehmen von den besten offenen Modellen fernzuhalten – egal woher sie kämen – senke die Qualität der ihnen verfügbaren KI und zentralisiere KI, statt Macht in die Hände der Nutzer:innen zu legen.

Zur Sicherheit: In der Cybersecurity hätten sich breit ausgerollte Open-Source-Systeme als sicherer erwiesen, weil mehr Menschen Schwachstellen fänden, Systeme härteten und auf aktuelle Versionen aktualisieren könnten. Langfristig, so seine These, führten breit verteilte Modelle mit starken Security-Fähigkeiten zu sichereren Systemen – nicht zu unsichereren.

Zu Chips und Infrastruktur: Exportkontrollen auf Halbleiter hätten ausländische Labs erfolgreich gebremst und sollten laut Zuckerberg fortgeführt werden. Beim Bau von Energie- und Rechenzentrumskapazität sieht er die USA dagegen im Rückstand: Länder wie China brächten jede zweite Woche mehr als ein Gigawatt Nuklearkapazität ans Netz.

Sein Fazit dazu: Insgesamt in der KI zurückzufallen wäre fast sicher ein größeres und längerfristiges nationales Sicherheitsproblem als jedes einzelne Risiko, das während der Entwicklung auftrete. Das aktuelle Open-Source-Ökosystem sei stark – es einzuschränken wäre ein Fehler.

Offene Fragen

Offen bleibt, wie weit „offen“ reicht. Muse Glimmer steht unter Apache 2.0 und damit deutlich permissiver als die alten Llama-Lizenzen – Trainingsdaten und Trainingscode veröffentlicht Meta aber wie die meisten Anbieter nicht, weshalb der Begriff Open Source im strengen Sinn strittig bleibt. Ebenso offen: welche „Version“ von Muse Spark 1.2 tatsächlich offene Gewichte bekommt, wann das passiert und ob das Frontier-Modell damit dauerhaft nachzieht oder ob es bei einer einmaligen Geste bleibt.