Entwicklungsansatz

Open-Source-LLMs vs proprietäre LLMs (2026): Was Sie wirklich eintauschen

Open-Source- vs proprietäre LLMs 2026: echte Preise, die GPU-Hürde, der Open-Weights-Brief und wo die Benchmark-Lücke wirklich liegt.

4
Open-Source-LLMs
vs
3
Proprietäre LLMs
Schnellurteil

Einen universellen Sieger gibt es hier nicht, und die ehrliche Achse ist nicht "kostenlos gegen kostenpflichtig" - sondern was Sie überprüfen und was Sie überstehen können. Beim Preis gewinnen offene Gewichte klar, und deutlicher als viele Teams annehmen. Die Preisseite von DeepSeek-V4-Pro nennt 0,435 US-Dollar je Million Eingabe-Token und 0,87 US-Dollar je Million Ausgabe-Token; Anthropics Preisseite führt Claude Opus 5 mit 5 beziehungsweise 25 US-Dollar. Das ist rund das Elffache bei der Eingabe und das 29-Fache bei der Ausgabe - für ein gehostetes Open-Weight-Modell, noch vor dem Eigenbetrieb. Die Verbreitung ist real: GLM-5.2 von Z.ai und dessen FP8-Variante kommen in den 25 Tagen seit Veröffentlichung zusammen auf knapp vier Millionen Hugging-Face-Downloads, und ein chinesisches Open-Weight-Modell erledigte im Juli 2026 die Portierung der Vercel-CLI von TypeScript nach nativ. Eingetauscht werden Lieferzuverlässigkeit und Nachprüfbarkeit. Die 2,8 Billionen Parameter schweren Gewichte von Kimi K3 waren auf den 27. Juli 2026 datiert; eine direkte Abfrage der Hugging-Face-API zeigt an jenem Morgen kein offizielles Repository, nur Ableitungen Dritter - während mehrere Medien die Veröffentlichung als vollzogen meldeten. Zudem verbirgt "kostenlos" eine Hardware-Hürde: Ein Open-Weight-Modell der Spitzenklasse benötigt einen Mehr-GPU-Knoten, bevor es überhaupt lädt, und dieser Knoten kostet monatlich dasselbe, ob Sie eine Anfrage senden oder eine Million. Bei unabhängig reproduzierten Coding-Benchmarks führen weiterhin die geschlossenen Flaggschiffe. Neu ist 2026 die politische Dimension. Im Juli wuchs der Brief "Open Weights and American AI Leadership" binnen eines Tages von 25 auf 50 Unterzeichner - Nvidia, Microsoft, Meta, IBM, Hugging Face, Mozilla, die Linux Foundation, Mistral, mit OpenAI und Google als Nachzüglern und ohne Anthropic und Amazon. Lesen Sie das als Lieferketten-Information, nicht als Moralstück: Ein Anbieter, dessen Position lautet, bestimmte Gewichte sollten nicht veröffentlicht werden dürfen, ist ein Anbieter, dessen Fahrplan von Ihrer Ausstiegsfähigkeit abweichen kann. Offene Gewichte sind der Ausstieg. Die praktische Antwort lautet für die meisten Teams: beides. Ein proprietäres Flaggschiff für Spitzenaufgaben, bei denen geprüfte Benchmarks und Unternehmens-Governance gefordert sind, und ein einsatzbereites Open-Weight-Modell für sensible, sehr große oder kostengetriebene Lasten - damit eine Lizenz-, Preis- oder Politikänderung eine Unannehmlichkeit bleibt und keine Migration wird.

Detaillierter Vergleich

Eine Gegenüberstellung der wichtigsten Faktoren für Ihre Entscheidung.

Faktor
Open-Source-LLMsEmpfohlen
Proprietäre LLMsGewinner
Was tatsächlich veröffentlicht wird
Gewichte und eine nachlesbare Lizenz; Trainingsdaten und Pipeline so gut wie nie
Nichts - das Modell ist ausschließlich über eine API erreichbar
Preis je 1 Mio. Token (gehostet)
DeepSeek-V4-Pro: 0,435 USD Eingabe / 0,87 USD Ausgabe
Claude Opus 5: 5 USD Eingabe / 25 USD Ausgabe
Einstiegshürde beim Self-Hosting
Ein Spitzen-Checkpoint benötigt einen Mehr-GPU-Knoten, bevor er überhaupt lädt
Keine - es ist keine Infrastruktur bereitzustellen
Verlässlichkeit der Veröffentlichung
Angekündigte Termine für Gewichte können verstreichen und tun es auch (Kimi K3, 27. Juli 2026)
Terminierte Starts erscheinen am angekündigten Tag (Claude Opus 5, 24. Juli 2026)
Unabhängig geprüfte Leistung
Stark und aufholend, doch die Spitzenwerte sind häufig herstellereigen bewertet
Von Dritten reproduzierte Einträge in den führenden Benchmarks
Datenhaltung
Läuft nach dem Self-Hosting vollständig in Ihrer eigenen Infrastruktur
Anbieterregionen und Vertragsklauseln statt physischer Kontrolle
Politisches Anbieterrisiko
Ihr Ausstieg hängt von keiner Lobbyposition eines Anbieters ab
Die politische Haltung eines Labors wird zu einem Lieferketten-Faktor ohne Ihren Einfluss
Dynamik des Ökosystems
GLM-5.2 mit knapp vier Millionen Hugging-Face-Downloads in 25 Tagen; Mistral veröffentlicht ein 675B-Open-Weight-Instruct-Modell
Ausgereifte SDKs, Compliance-Werkzeuge und Support-Verträge für Unternehmen
Gesamtpunktzahl4/ 83/ 81 unentschieden
Was tatsächlich veröffentlicht wird
Open-Source-LLMs
Gewichte und eine nachlesbare Lizenz; Trainingsdaten und Pipeline so gut wie nie
Proprietäre LLMs
Nichts - das Modell ist ausschließlich über eine API erreichbar
Preis je 1 Mio. Token (gehostet)
Open-Source-LLMs
DeepSeek-V4-Pro: 0,435 USD Eingabe / 0,87 USD Ausgabe
Proprietäre LLMs
Claude Opus 5: 5 USD Eingabe / 25 USD Ausgabe
Einstiegshürde beim Self-Hosting
Open-Source-LLMs
Ein Spitzen-Checkpoint benötigt einen Mehr-GPU-Knoten, bevor er überhaupt lädt
Proprietäre LLMs
Keine - es ist keine Infrastruktur bereitzustellen
Verlässlichkeit der Veröffentlichung
Open-Source-LLMs
Angekündigte Termine für Gewichte können verstreichen und tun es auch (Kimi K3, 27. Juli 2026)
Proprietäre LLMs
Terminierte Starts erscheinen am angekündigten Tag (Claude Opus 5, 24. Juli 2026)
Unabhängig geprüfte Leistung
Open-Source-LLMs
Stark und aufholend, doch die Spitzenwerte sind häufig herstellereigen bewertet
Proprietäre LLMs
Von Dritten reproduzierte Einträge in den führenden Benchmarks
Datenhaltung
Open-Source-LLMs
Läuft nach dem Self-Hosting vollständig in Ihrer eigenen Infrastruktur
Proprietäre LLMs
Anbieterregionen und Vertragsklauseln statt physischer Kontrolle
Politisches Anbieterrisiko
Open-Source-LLMs
Ihr Ausstieg hängt von keiner Lobbyposition eines Anbieters ab
Proprietäre LLMs
Die politische Haltung eines Labors wird zu einem Lieferketten-Faktor ohne Ihren Einfluss
Dynamik des Ökosystems
Open-Source-LLMs
GLM-5.2 mit knapp vier Millionen Hugging-Face-Downloads in 25 Tagen; Mistral veröffentlicht ein 675B-Open-Weight-Instruct-Modell
Proprietäre LLMs
Ausgereifte SDKs, Compliance-Werkzeuge und Support-Verträge für Unternehmen

Wichtige Statistiken

Echte Daten aus verifizierten Branchenquellen zur Unterstützung Ihrer Entscheidung.

Der Brief "Open Weights and American AI Leadership" verdoppelte sich binnen eines Tages von 25 auf 50 Unterzeichner (24.-25. Juli 2026); OpenAI und Google unterschrieben spät, Anthropic und Amazon gar nicht

Forbes

DeepSeek-V4-Pro kostet 0,435 US-Dollar je Million Eingabe- und 0,87 US-Dollar je Million Ausgabe-Token - rund das Elf- bzw. 29-Fache unter den 5/25 US-Dollar von Claude Opus 5

DeepSeek API Docs (aktuelle Preise)

GLM-5.2 und GLM-5.2-FP8 verzeichnen zusammen knapp 4 Millionen Downloads in den 25 Tagen seit der Veröffentlichung am 2. Juli 2026

Hugging Face API (zai-org)

Die auf den 27. Juli 2026 datierten Gewichte von Kimi K3 hatten an diesem Tag kein offizielles Repository - das neueste moonshotai-Repo blieb Kimi-K2.7-Code vom 15. Juni 2026

Hugging Face API (moonshotai)

Mistral veröffentlicht offene Gewichte bis hin zu Mistral-Large-3-675B-Instruct, daneben Medium-3.5- und Small-4-Checkpoints - ein EU-Anbieter mit herunterladbarer Spitzenmodellreihe

Hugging Face API (mistralai)

Anthropic verzeichnete am 25. und 26. Juli 2026 drei Störungen mit schwerer Auswirkung auf claude.ai, Console, API, Claude Code und Cowork - geschlossene APIs nehmen Ihnen den Betriebsaufwand ab, nicht die Ausfälle

Anthropic Status

Alle Statistiken stammen aus verifizierten Drittquellen. Quelle, Jahr und Original-Link werden direkt bei jeder Kennzahl angezeigt.

Wann Sie welche Option wählen sollten

Klare Orientierung basierend auf Ihrer spezifischen Situation und Ihren Bedürfnissen.

Wählen Sie Open-Source-LLMs, wenn...

  • Ihre Datenklasse verbietet es grundsätzlich, Prompts an eine fremde API zu senden
  • Das Volumen ist hoch und gleichmäßig genug, um einen dedizierten GPU-Knoten zu amortisieren
  • Sie müssen das Modell feinabstimmen, quantisieren oder inspizieren, statt es nur aufzurufen
  • Sie wollen einen Migrationspfad, der Preis- oder Kurswechsel eines Anbieters übersteht

Wählen Sie Proprietäre LLMs, wenn...

  • Sie brauchen die Spitze bei Benchmarks, die ein Dritter reproduziert hat
  • Ihr Volumen schwankt stark oder ist gering, sodass ein fester GPU-Knoten ungenutzt bliebe
  • Sie benötigen heute Unternehmens-Governance: regionales Hosting, AV-Verträge, Compliance-Werkzeuge, Support
  • Sie haben kein Plattformteam, das Inferenz-Infrastruktur samt Fehlerbildern betreuen kann

Unsere Empfehlung

Einen universellen Sieger gibt es hier nicht, und die ehrliche Achse ist nicht "kostenlos gegen kostenpflichtig" - sondern was Sie überprüfen und was Sie überstehen können. Beim Preis gewinnen offene Gewichte klar, und deutlicher als viele Teams annehmen. Die Preisseite von DeepSeek-V4-Pro nennt 0,435 US-Dollar je Million Eingabe-Token und 0,87 US-Dollar je Million Ausgabe-Token; Anthropics Preisseite führt Claude Opus 5 mit 5 beziehungsweise 25 US-Dollar. Das ist rund das Elffache bei der Eingabe und das 29-Fache bei der Ausgabe - für ein gehostetes Open-Weight-Modell, noch vor dem Eigenbetrieb. Die Verbreitung ist real: GLM-5.2 von Z.ai und dessen FP8-Variante kommen in den 25 Tagen seit Veröffentlichung zusammen auf knapp vier Millionen Hugging-Face-Downloads, und ein chinesisches Open-Weight-Modell erledigte im Juli 2026 die Portierung der Vercel-CLI von TypeScript nach nativ. Eingetauscht werden Lieferzuverlässigkeit und Nachprüfbarkeit. Die 2,8 Billionen Parameter schweren Gewichte von Kimi K3 waren auf den 27. Juli 2026 datiert; eine direkte Abfrage der Hugging-Face-API zeigt an jenem Morgen kein offizielles Repository, nur Ableitungen Dritter - während mehrere Medien die Veröffentlichung als vollzogen meldeten. Zudem verbirgt "kostenlos" eine Hardware-Hürde: Ein Open-Weight-Modell der Spitzenklasse benötigt einen Mehr-GPU-Knoten, bevor es überhaupt lädt, und dieser Knoten kostet monatlich dasselbe, ob Sie eine Anfrage senden oder eine Million. Bei unabhängig reproduzierten Coding-Benchmarks führen weiterhin die geschlossenen Flaggschiffe. Neu ist 2026 die politische Dimension. Im Juli wuchs der Brief "Open Weights and American AI Leadership" binnen eines Tages von 25 auf 50 Unterzeichner - Nvidia, Microsoft, Meta, IBM, Hugging Face, Mozilla, die Linux Foundation, Mistral, mit OpenAI und Google als Nachzüglern und ohne Anthropic und Amazon. Lesen Sie das als Lieferketten-Information, nicht als Moralstück: Ein Anbieter, dessen Position lautet, bestimmte Gewichte sollten nicht veröffentlicht werden dürfen, ist ein Anbieter, dessen Fahrplan von Ihrer Ausstiegsfähigkeit abweichen kann. Offene Gewichte sind der Ausstieg. Die praktische Antwort lautet für die meisten Teams: beides. Ein proprietäres Flaggschiff für Spitzenaufgaben, bei denen geprüfte Benchmarks und Unternehmens-Governance gefordert sind, und ein einsatzbereites Open-Weight-Modell für sensible, sehr große oder kostengetriebene Lasten - damit eine Lizenz-, Preis- oder Politikänderung eine Unannehmlichkeit bleibt und keine Migration wird.

Häufig gestellte Fragen

Häufige Fragen zu diesem Vergleich beantwortet.

Im strengen Sinn meist nicht. Veröffentlicht werden die Gewichte samt Lizenz - mal eine Standardlizenz wie MIT, oft eine eigene Modelllizenz. Trainingsdaten, Datenaufbereitung und Trainingscode werden so gut wie nie freigegeben; Sie können das Artefakt also prüfen und anpassen, aber nicht reproduzieren. "Open Weight" ist der zutreffende Begriff, und der Unterschied zählt in jeder Prüfung, die nach der Herkunft der Trainingsdaten fragt.
Auf API-Ebene deutlich: DeepSeek-V4-Pro kostet laut Preisseite 0,435/0,87 US-Dollar je Million Token gegenüber 5/25 US-Dollar bei Claude Opus 5. Beim Self-Hosting sieht die Rechnung anders aus. Ein Checkpoint in Spitzengröße benötigt einen Mehr-GPU-Knoten, bevor er überhaupt lädt, und dieser Knoten kostet monatlich dasselbe, ob er eine Anfrage oder eine Million bedient. Offene Gewichte gewinnen bei hohem, gleichmäßigem Volumen; eine geschlossene API meist bei schwankender oder geringer Last.
Kleiner, als die Preise vermuten lassen, und größer, als das Marketing zugibt. Open-Weight-Modelle erreichen oder übertreffen geschlossene Flaggschiffe in mehreren veröffentlichten Tabellen - doch ein großer Teil dieser Tabellen stammt vom Hersteller selbst. Bei von Dritten reproduzierten Benchmarks führen die geschlossenen Flaggschiffe in den Kategorien Coding und agentische Aufgaben weiterhin. Behandeln Sie jede selbst veröffentlichte Bestenliste als noch zu bestätigende Behauptung - auf beiden Seiten.
Seit Juli 2026 ist das eine praktische Frage. Der Brief "Open Weights and American AI Leadership" erreichte 50 Unterzeichner - darunter Nvidia, Microsoft, Meta, IBM, Hugging Face, Mozilla, die Linux Foundation und Mistral -, während Anthropic und Amazon fehlten. Sie müssen keine Seite wählen, um die betriebliche Schlussfolgerung zu ziehen: Wenn ein Lieferant für Regeln wirbt, die genau jene Alternativen einschränken, zu denen Sie migrieren würden, lohnt es sich, die Ausstiegsoption einsatzbereit zu halten.

Brauchen Sie Hilfe bei der Entscheidung?

Buchen Sie ein kostenloses 30-minütiges Beratungsgespräch und wir helfen Ihnen, den besten Ansatz für Ihr Projekt zu bestimmen.

Kostenlose Beratung
Unverbindlich
Antwort innerhalb von 24h