Über das Modell

Teuken-7B stammt aus dem vom Bundesministerium für Wirtschaft geförderten Projekt OpenGPT-X, an dem unter anderem Fraunhofer-Institute und das Forschungszentrum Jülich beteiligt sind. Es ist mit rund sieben Milliarden Parametern klein und wurde von Beginn an mehrsprachig trainiert – nicht englischsprachig mit nachträglichem Sprachaufsatz, sondern mit einem Tokenizer, der auf die 24 Amtssprachen der Europäischen Union ausgelegt ist. Für Behörden ist das aus einem nüchternen Grund interessant: Herkunft, Förderung und Trainingsdaten sind veröffentlicht und lassen sich in einer Vergabeunterlage benennen.

Bei der Lizenz kommt es auf die Fassung an, und das ist kein Detail: Unter Apache 2.0 steht die eigens dafür veröffentlichte Ausgabe Teuken-7B-instruct-commercial-v0.4 – sie ist die Fassung, die hier vorgesehen ist. Die neuere Teuken-7B-instruct-v0.6 steht dagegen unter CC BY-NC 4.0 und ist damit auf private, nicht-kommerzielle, Forschungs- und Bildungszwecke beschränkt. Für einen kostenpflichtigen Zugang kommt sie ohne eine gesonderte Vereinbarung mit dem Projekt nicht in Frage. Wer Teuken selbst einsetzt, sollte also nicht „Teuken ist Apache 2.0“ in die Akte schreiben, sondern den Namen der Fassung.

Die Grenze ist ebenso deutlich: Sieben Milliarden Parameter sind wenig. Bei mehrstufigen Schlussfolgerungen, längeren Fachtexten und Programmieraufgaben liegt Teuken hinter den großen Modellen dieses Katalogs. Wer Aktenvermerke zusammenfasst, Formulierungen glättet oder zwischen Amtssprachen übersetzt, wird das kaum merken. Wer ein Gutachten erwartet, schon.

Stärken

Alle 24 Amtssprachen der EU Apache 2.0 in der commercial-Fassung europäische Herkunft geringer Hardwarebedarf gut dokumentierter Trainingsstand

Kurz gesagt

EU-Modell mit belegbarer Herkunft, alle 24 Amtssprachen, Apache 2.0 in der commercial-Fassung