Eine Ranglisten-Geschichte mit der falschen Schlagzeile

Alibabas Qwen-Familie überschritt in den sechs Monaten bis Mitte August 2026 kumuliert 3 Milliarden Downloads, eine Zahl, die das Unternehmen Bloomberg in einer schriftlichen Erklärung bestätigte, zusammen mit einer Zählung von mehr als 460 offenen Modellen und über 300.000 darauf aufbaünden Ableitungen. Fast jedes Medium, das darüber berichtete, brachte eine Variante derselben Schlagzeile: Qwen habe Google und Meta zusammen überholt und sei zur meistheruntergeladenen offenen KI-Familie der Welt geworden.

Diese Einordnung behandelt die Geschichte wie eine Rangliste. Hugging Faces eigener Bericht "State of Open Models: Summer 2026 Observations", veröffentlicht am 14. August 2026 und die direkte Qülle hinter den meisten Berichten, erzählt eine präzisere Geschichte. Qwen kommt auf 151.448 abgeleitete Repositories im Hugging Face Hub, das 2,6-Fache von Metas gesamtem Fußabdruck und das 4,7-Fache der reinen Llama-Repositories, und zieht 39,6 Millionen GGUF-Downloads pro Monat, gegenüber 20,8 Millionen bei Googles Gemma und 7,5 Millionen bei Llama. Googles eigene Modelle liegen mit 82.506 Repositories auf Platz zwei bei den Ableitungen; Metas errechneter Fußabdruck liegt bei rund 58.249. Der Abstand ist deutlich.

Konzentration, nicht Vielfalt, ist die eigentliche Zahl

Das Detail, das jede Zusammenfassung ausließ, ist die Form der Verteilung, nicht ihr Gewinner. Hugging Faces Bericht stellt fest, dass 85,6 Prozent aller Modelle im Hub weniger als 200 Downloads in ihrer gesamten Lebenszeit haben und dass 1,5 Prozent der Repositories 99,2 Prozent aller Downloads auf sich vereinen. Modelle unter 1 Milliarde Parametern machen 83 Prozent aller Downloads aller Zeiten aus. Zusammengenommen ist das "offene Modell-Ökosystem", das gern als weitläufig und vielfältig beschrieben wird, in der download-gewichteten Realität eine Handvoll Checkpoints, die fast jeder tatsächlich nutzt, und Qwen-Ableitungen stehen jetzt im Zentrum dieser Handvoll und wachsen in den ersten sieben Monaten von 2026 um etwa 180 bis 210 neü Repositories pro Tag.

Für ein europäisches Entwicklungsteam zählt diese Konzentration mehr als der Meilenstein selbst. "Wir haben mehrere offene Modelle evaluiert" und "wir haben uns auf den Checkpoint eines ausländischen Anbieters standardisiert, drei Fine-Tuning-Schichten vom Original entfernt" beschreiben für die meisten Teams, die heute auf Hugging Face aufbaün, das gleiche praktische Ergebnis. Die zweite Beschreibung ist diejenige mit rechtlichem Gewicht.

Der Compliance-Auslöser, der im Fine-Tuning steckt

Der EU AI Act behandelt nicht jedes Unternehmen, das ein KI-Modell mit allgemeinem Verwendungszweck berührt, als passiven Nutzer. Nach Artikel 3 Absatz 23 und Erwägungsgrund 109 des Gesetzes sowie Randnummer 62 der GPAI-Leitlinien des Europäischen Büro für Künstliche Intelligenz kann ein nachgelagertes Unternehmen, das ein KI-Modell mit allgemeinem Verwendungszweck verändert, selbst zum "Anbieter" dieses Modells werden, mit allen damit verbundenen Pflichten, sofern die Änderung als "wesentlich" eingestuft wird. Das KI-Büro hat dafür einen indikativen Schwellenwert festgelegt: Trainingsrechenleistung von etwa einem Drittel oder mehr der ursprünglich für das Basismodell verwendeten Rechenleistung. Unterhalb dieser Grenze gelten Prompting, Retrieval-Augmented Generation und leichtes Hyperparameter-Tuning als unwesentlich. Darüber gelten Fine-Tuning- und Destillationsläufe als vermutlich wesentlich, vollständige Architekturänderungen immer.

Das Überschreiten dieser Grenze bürdet einem Team nicht die vollständige Compliance-Last auf, die Alibaba als ursprünglicher Anbieter von Qwen trägt. Erwägungsgrund 109 begrenzt die geerbten Pflichten, vor allem technische Dokumentation und eine Zusammenfassung zur Urheberrechts-Compliance, auf den tatsächlich veränderten Teil des Modells. Es bleibt aber eine echte, verbindliche Pflicht, die automatisch entsteht, basierend auf einem Rechenleistungsverhältnis, das die meisten Fine-Tuning-Teams nie gegen die Trainings-FLOPs ihres Basismodells berechnet, geschweige denn für eine Compliance-Akte dokumentiert haben.

Was eine europäische KI-Verantwortliche wirklich prüfen sollte

Die Europäische Kommission hat öffentlich erklärt, sie erwarte, dass "nur wenige Modifizierer" von KI-Modellen mit allgemeinem Verwendungszweck die Schwelle zur wesentlichen Änderung überschreiten und selbst zu Anbietern werden. Diese Erwartung ist eine politische Annahme, keine Garantie, und sie stützt sich ausdrücklich auf einen Schwellenwert, den das KI-Büro selbst als indikativ und nicht als endgültig bezeichnet, und von dem die Kommission einräumt, dass er Änderungen mit geringerer Rechenleistung übersehen kann, die dennoch die Fähigkeiten oder das Risikoprofil eines Modells spürbar verändern.

Servolas eigene Einschätzung ist praktisch, nicht alarmistisch: Der Meilenstein von 3 Milliarden Downloads ist an sich keine Warnung, aber ein Anstoß. Jedes europäische Team, das produktive Fine-Tunings oder Destillationen auf Qwen oder einem anderen populären offenen Basismodell betreibt, hat jetzt einen konkreten Grund zu prüfen, wo der letzte Trainingslauf im Verhältnis zur Ein-Drittel-Grenze der Rechenleistung lag, und diese Zahl zu dokumentieren, denn der AI Act hat Brüssel bereits die Befugnis gegeben, danach zu fragen, und ein nie verfolgtes Rechenleistungsverhältnis ist eine schwache Ausgangsposition.

Weiterlesen: Alibaba verschwieg die Zahl, die Ihre Kosten bestimmt  |  Der 2. Dezember bindet den, der das Modell betreibt