Wer Unabhängigkeitsstufe 3 erreichen will – Modellgewichte aus europäischer Entwicklung –, landet bei einer kurzen Liste. Zwei Einträge darauf entstammen öffentlicher Förderung und lassen sich in einer Vergabeunterlage bis zur Quelle benennen.
Die beiden im Überblick
| Teuken-7B | EuroLLM-22B | |
|---|---|---|
| Herkunft | OpenGPT-X – Fraunhofer-Institute, Forschungszentrum Jülich und Partner, gefördert vom Bund | EuroLLM-Konsortium mit EU-Förderung; unter anderem Lissabon, Edinburgh, Paris-Saclay, Amsterdam, Sorbonne, Unbabel |
| Größe | rund 7 Milliarden Parameter | 22 Milliarden Parameter |
| Lizenz | Apache 2.0 – nur in der Fassung instruct-commercial-v0.4 | Apache 2.0 |
| Sprachen | alle 24 EU-Amtssprachen | 24 EU-Amtssprachen plus elf weitere, darunter Arabisch, Türkisch, Russisch, Ukrainisch |
| Trainiert auf | öffentlich geförderter Infrastruktur, Trainingsstand dokumentiert | MareNostrum 5 in Barcelona, über eine EuroHPC-Zuteilung |
| Stärke | Verwaltungssprache, Zusammenfassen, Glätten, Übersetzen zwischen Amtssprachen | Übersetzung und mehrsprachige Textarbeit über längere Passagen |
Bei Teuken ist das kein Detail: Unter Apache 2.0 steht die eigens dafür veröffentlichte Ausgabe Teuken-7B-instruct-commercial-v0.4. Die neuere instruct-v0.6 steht unter CC BY-NC 4.0 und ist damit auf private, Forschungs- und Bildungszwecke beschränkt – für einen kostenpflichtigen Zugang kommt sie ohne gesonderte Vereinbarung nicht in Frage.
Wer Teuken einsetzt, schreibt deshalb nicht „Teuken ist Apache 2.0“ in die Akte, sondern den vollständigen Namen der Fassung. Dasselbe Muster begegnet einem bei mehreren offenen Modellen; warum es überhaupt entsteht, steht im Beitrag Offene Gewichte sind nicht Open Source.
Was sie gut können
- Deutsch, das nicht übersetzt klingt. Beide wurden von Anfang an mehrsprachig trainiert, nicht englisch mit nachträglichem Sprachaufsatz. Bei Verwaltungsdeutsch, Behördenschreiben und Merkblättern merkt man das.
- Umformen statt Erfinden. Zusammenfassen, Gliedern, Vereinfachen, Übersetzen – Aufgaben, bei denen der Ausgangstext vorliegt und nicht aus dem Modell kommen muss. Genau dort ist der Abstand zu großen Modellen am kleinsten; warum kleine Modelle dort mithalten, steht im Lexikon unter Parameter.
- Sprachen jenseits des Üblichen. Bei EuroLLM sind es 24 plus elf. Für eine Ausländerbehörde, ein Jobcenter oder eine Kommune in Grenzlage ist das der eigentliche Anwendungsfall.
- Belegbare Herkunft. Förderung, Konsortium, Rechenzentrum, Lizenz und Trainingsstand lassen sich einzeln benennen. Das ist in einer Vergabeunterlage mehr wert als ein Platz in einer Rangliste.
Was sie nicht können
Der Abstand ist real und wird hier nicht kleingeredet.
- Mehrstufiges Schließen. Aufgaben, die über mehrere Zwischenschritte laufen – eine Fristenberechnung mit Verzweigungen, eine Widerspruchsprüfung in einem Regelwerk –, brechen bei sieben Milliarden Parametern häufiger ab als bei einem großen Modell.
- Breites Weltwissen. Wer mit EuroLLM recherchiert, bekommt Antworten, die auf Deutsch gut klingen und inhaltlich dünn sind. Es ist ein Sprach- und Übersetzungsmodell, kein Nachschlagewerk.
- Programmieren. Ein europäisches Modell der Spitzenklasse gibt es dafür derzeit nicht. Das ist die deutlichste Lücke im Feld.
- Lange Konsistenz. Über viele Absätze hinweg verlieren kleinere Modelle die Linie – Wiederholungen, Abweichungen von der Gliederung, wechselnde Anrede.
Warum beides dieselbe Ursache hat
Die Stärken und die Schwächen kommen aus derselben Entscheidung: Beide Modelle sind für Sprache gebaut und nicht auf Größe getrimmt. Ein Tokenizer, der auf 24 Amtssprachen ausgelegt ist, zerlegt deutschen Text sparsamer – das spart Rechenzeit und macht die Sprachqualität besser, ohne die Parameterzahl zu erhöhen. Und ein Modell mit sieben oder 22 Milliarden Parametern hat schlicht weniger Platz für gespeichertes Wissen als eines mit mehreren hundert.
Wer das weiß, wählt richtig: Ausgangstext vorhanden – europäisches Modell. Antwort muss aus dem Modell kommen – großes Modell, oder ein Abruf aus dem eigenen Bestand. Die zweite Möglichkeit ist die interessantere, weil sie ein kleines Modell fachlich tragfähig macht; sie steht im Beitrag RAG statt Feintuning.
Was noch im Feld steht
Die beiden sind nicht allein. Mistral Small 3 und Mistral Small 4 kommen aus Frankreich, stehen unter Apache 2.0 und sind die leistungsfähigsten europäischen Allzweckmodelle in diesem Katalog. Apertus v1.5 70B aus der Schweiz ist das transparenteste überhaupt – veröffentlicht sind Gewichte, Trainingsdaten und Trainingsrezept –, aber die Schweiz ist nicht Mitglied der Europäischen Union. Wer in einer Unterlage nach EU-Herkunft fragt, muss das trennen.
Ein Modell aus einem Drittland ist auf eigener Hardware kein Datenabfluss – es ist eine Datei mit Zahlen und baut keine Verbindung auf. Die Herkunft betrifft die Lieferkette und die inhaltliche Prägung, nicht den Datenschutz.
Deshalb ist „nur europäische Modelle“ eine legitime Entscheidung mit einem Preis, aber keine datenschutzrechtliche Notwendigkeit. Wo diese Grenze im Vergabeverfahren verläuft, steht im Beitrag Warum die Hardwarefrage nicht ins Ausschlusskriterium gehört.
Die ehrliche Empfehlung
Für Behörden mit Textarbeit an Amtssprachen sind Teuken und EuroLLM eine gute erste Wahl – nicht als Kompromiss, sondern weil sie für genau diese Aufgabe gebaut sind. Für alles, was Wissen, Programmierung oder mehrstufiges Schließen verlangt, braucht es ein größeres Modell, und dann steht die Herkunftsfrage neu.
Der ganze Stufenaufbau samt der Stufe, die niemand erreicht, steht unter Unabhängigkeit von Nicht-EU-Ländern. Welche Modelle wir für welche Aufgabe vorsehen, unter KI für Behörden.