7. April 2026

Drei Open-Source-Signale -- Harrier, Meta und GLM-5.1

Anfang April 2026 haeufen sich Entwicklungen im Open-Source-KI-Bereich. Drei unabhaengige Ankuendigungen zeigen unterschiedliche Facetten: ein spezialisiertes Embedding-Modell von Microsoft, eine strategische Neuausrichtung bei Meta und ein Coding-Modell aus China, das an die Frontier-Klasse heranrueckt.

Microsoft Harrier: Embedding-Modell unter MIT-Lizenz

Microsofts Bing-Team hat Harrier veroeffentlicht, ein multilinguales Embedding-Modell in drei Groessen:

27B Parameter -- fuehrt das MTEB v2-Benchmark an, uebertrifft proprietaere Modelle von OpenAI und Amazon
0,6B Parameter -- kompakte Variante fuer ressourcenbeschraenkte Umgebungen
270M Parameter -- minimal, laeuft auf Consumer-Hardware

Technische Eckdaten des 27B-Modells: Embedding-Dimension von 5.376, Kontextfenster von 131.072 Token, Unterstuetzung fuer ueber 100 Sprachen, 78% im Zero-Shot-Ranking. Das Training umfasste ueber zwei Milliarden Beispiele plus synthetische Daten aus GPT-5.

Fuer Entwickler relevant: Harrier steht unter MIT-Lizenz auf Hugging Face. Wer RAG-Pipelines, semantische Suche oder mehrsprachiges Retrieval baut, hat damit eine leistungsstarke Open-Source-Alternative zu kommerziellen Embedding-APIs. Die drei Modellgroessen ermoeglichen es, zwischen Qualitaet und Ressourcenverbrauch abzuwaegen -- das 270M-Modell genuegt fuer viele Standardanwendungen.

Meta: Hybride Open-Source-Strategie

Meta kuendigt an, Teile seiner kommenden KI-Modelle unter Open-Source-Lizenzen zu veroeffentlichen. Das ist eine Abkehr vom bisherigen Llama-Ansatz, bei dem die Weights offen waren, aber Code und Trainingsdaten proprietaer blieben.

Die neue Strategie unter Alexandr Wang (seit Mitte 2024 Chief AI Officer, vormals Scale AI) sieht einen hybriden Ansatz vor:

Kleinere Modelle werden veroeffentlicht
Die leistungsstaerksten Modelle bleiben proprietaer
Sicherheitsreviews vor jeder Veroeffentlichung

Der Kontext ist aufschlussreich: Llama 4 kaempfte mit verzoegerten Releases und Benchmark-Manipulationsvorwuerfen. Meta raeumt ein, dass die neuen Modelle nicht in allen Bereichen mit der Konkurrenz mithalten werden. Die Strategie zielt auf individuelle Entwickler, waehrend Anthropic und OpenAI sich auf Enterprise- und Regierungskunden konzentrieren.

Fuer Entwickler relevant: Konkrete Modellnamen oder Zeitplaene gibt es noch nicht. Die Ankuendigung signalisiert aber, dass Meta den Open-Source-Ansatz beibehielt -- mit einem realistischeren Erwartungsmanagement als bei Llama 4.

Zhipu GLM-5.1: Long-Horizon Coding auf Huawei-Hardware

Zhipu AI hat am 27. Maerz 2026 GLM-5.1 veroeffentlicht -- ein auf Coding-Tasks spezialisiertes Upgrade des GLM-5-Basismodells. Das Modell erreicht 94,6% der Coding-Performance von Claude Opus 4.6 (45,3 vs. 47,9 im Benchmark) bei einem Bruchteil der Kosten.

Architektur und Training:

744B Parameter gesamt (MoE), 40B aktiv pro Token, 256 Experten mit 8 aktiv pro Token
Kontextfenster: 200K Token Input, bis zu 131K Token Output
Training: Auf 100.000 Huawei Ascend 910B-Chips, komplett ohne Nvidia-Hardware
Slime RL: Asynchrones Reinforcement-Learning-System mit paralleler Trajektoriengenerierung

Die zentrale Faehigkeit sind Long-Horizon Tasks: GLM-5.1 kann bis zu acht Stunden autonom an einer Aufgabe arbeiten -- planen, Code schreiben, Tests ausfuehren, Strategie wechseln und Fehler beheben. Agentic Capabilities wurden bereits im Mid-Training integriert, nicht erst im Fine-Tuning.

Fuer Entwickler relevant: GLM-5.1 ist derzeit nur ueber die API verfaegbar ($1/M Input-Token, $3,20/M Output-Token -- ca. 6-10x guenstiger als Claude Opus 4.6). Die Weights des Basismodells GLM-5 stehen unter MIT-Lizenz auf Hugging Face. Wenn Zhipu dem bisherigen Muster folgt, werden die GLM-5.1-Weights ebenfalls veroeffentlicht. Einschraenkungen: Die Benchmarks sind bisher nicht unabhaengig verifiziert, und die Inferenzgeschwindigkeit liegt mit ca. 44 Token/s unter der Konkurrenz.

Hinweis: Zhipu hat parallel auch GLM-5V-Turbo fuer multimodale Design-to-Code-Aufgaben veroeffentlicht -- ein separates Modell mit anderem Fokus.

Einordnung

Die drei Ankuendigungen zeigen ein Muster: Open Source im KI-Bereich differenziert sich zunehmend. Microsoft setzt auf spezialisierte Werkzeuge (Embedding), Meta auf strategische Marktpositionierung, und Zhipu auf kosteneffiziente Alternativen zu Frontier-Modellen. Fuer Entwickler bedeutet das mehr Auswahl bei geringerer Abhaengigkeit von einzelnen Anbietern -- vorausgesetzt, die Benchmark-Versprechen halten einer unabhaengigen Pruefung stand.

Quellen

Nach oben