Feature Thema: Souveräne Modelle als Infrastrukturfrage

Autor: Prof. Dr. Sebastian P. Bayerl, Technische Hochschule Rosenheim

Stand: 24.08.2026

 

Kurzfassung

Sovereign Open Source Foundation Models  (soofi) in eine Initiative für souveräne Open-Source Foundation Models aus Deutschland und Europa [Soofi]. Das erste veröffentlichte Modell SOOFI S ist interessant, weil es aus Deutschland kommt und Dinge wie Know-how-Aufbau, deutsche Rechenzentren und deutsche Trainingsdaten rund um digitale Souveränität konkret macht. Für die Region ist das relevant, weil Souveränität, Datenschutz, Kostenkontrolle und Kompetenzausbau praktische Standortfragen sind.

SOOFI S schlägt nicht alle vergleichbaren US- und China-Modelle, ist aber insbesondere interessant, weil es durch die Open Source hilft, Aufgaben mit transparenten, kontrollierbaren und bezahlbaren Modellen gut genug zu lösen und gleichzeitig lokales Know-how aufzubauen.

Was SOOFI S ist

Das Projekt beschreibt sich als Initiative für souveräne Open-Source Foundation Models aus Deutschland und Europa [Soofi].
Das Bundeswirtschaftsministerium fördert SOOFI mit rund 20 Millionen Euro bis Juli 2026, um Grundlagen für industrielle KI-Anwendungen und europäische KI-Souveränität aufzubauen [BMWE].

Fraunhofer DSAI beschreibt Soofi S 30B-A3B als offenes deutsches Sprachmodell, das auf deutscher HPC-Infrastruktur trainiert wurde und rund 3 von 30 Milliarden Parametern pro Eingabe aktiviert ([Fraunhofer DSAI]. Die Projektseite beschreibt Soofi S als erste Modellgeneration und verweist auf eine Beta-Testphase mit ausgewählten Partnern sowie einen geplanten öffentlichen Open-Source-Release [Soofi].

SOOFI S ist damit noch kein fertiges Produkt, sondern eher ein Infrastruktur- und Kompetenzprojekt, an dem sichtbar wird, was Europa für eigene KI-Fähigkeiten braucht und wie diese aufgebaut werden. 

Technische Einordnung

Nach Angaben von Fraunhofer DSAI kombiniert Soofi S eine hybride Mamba-Transformer-Architektur mit Mixture-of-Experts (MoE) und aktiviert nur einen kleinen Teil der Gesamtparameter pro Eingabe [Fraunhofer DSAI]. Technische Details gibt es im arXiv Paper [arXiv soofi] und auf Huggingface [huggingface].

Sogenannte MoE Modelle sind insbesonderen wegen Ihrer hohen Inferenzgeschwindigkeit interessant. Bei sehr guter Leistungsfähigkeit haben Sie geringere Betriebskosten und Latenzen. Dies ist für viele Anwendungsfälle wichtiger als maximale Leistung.

Ein Modell, das für Deutsch und Englisch, industrielle Workflows und nachvollziehbare Betriebsmodelle optimiert ist, kann für regionale Unternehmen wertvoller sein als ein allgemein stärkeres Modell ohne passende Governance. Das gilt besonders für Wissensmanagement, technische Dokumentation, interne Assistenzsysteme, Qualitätsprozesse, regulatorische Prüfungen und Softwareentwicklung.

Der technische Beitrag liegt hierbei nicht in einer eigenen Architektur. Das Konsortium nutzt veröffentlichte Architekturbausteine und verschiebt den Schwerpunkt auf Datenrezept, Training, Offenlegung, Evaluierung und industriellen Transfer. Im öffentlichen Diskurs, insbesondere auf linked.in wurde dies dem Projekt als Makel ausgelegt. Dem kann entgegengesetzt werden, dass so Kompetenzaufbau häufig entsteht: Man stellt zunächst belastbare Referenzarchitekturen nach, versteht die Engpässe, verändert Datenmischungen und Trainingsprozesse, und kann darauf aufbauend eigene Varianten entwickeln.

Gerade das Training von Foundation Models ist kein reines Forschungsproblem, sondern ein großes verteiltes Engineering-Problem. Wer solche Systeme in Deutschland trainieren, dokumentieren und evaluieren kann, baut Wissen auf, das später in Unternehmen, Hochschulen, Start-ups und Verwaltung diffundieren kann.
 

Rezeption und Benchmark-Debatte

Die Veröffentlichung von SOOFI S wurde teilweise sehr kontrovers aufgenommen. Neben berechtigter technischer Kritik gab es in sozialen Netzwerken auch überzogene Urteile, persönliche Angriffe und den schnellen Vorwurf der Geldverschwendung. Der sachliche Kern der Kritik betraf unter anderem die Benchmarks. Nach der Veröffentlichung wurde entdeckt, dass umformulierte Fragen aus den Benchmarmsk GPQA und GPQA Diamond in den Trainingsdaten gelandet waren.

The Decoder berichtet, dass das Konsortium GPQA daraufhin aus der Evaluation entfernte und die Vergleiche für alle 16 Modelle neu berechnete [The Decoder].

In öffentlich sichtbaren Stellungnahmen aus dem Projektumfeld wurde hervorgehoben, dass die Community den Fehler gerade deshalb finden konnte, weil Daten und Ergebnisse offengelegt wurden [LinkedIn-Profil Martin Genzel].

Das ist für die Einordnung wichtiger als die Frage, ob am ersten Tag jeder Benchmark sauber war. Fehler in Trainings- und Evaluationsdaten sollten nicht passieren, aber kommen immer wieder vor. Bei offenen Projekten können solche Fehler gefunden, diskutiert und korrigiert werden. Bei geschlossenen Modellen bleibt häufig unklar, ob ähnliche Probleme überhaupt sichtbar würden.

Genau hier liegt der Unterschied zwischen Open Weights und echter Open Source. Open Weights ermöglichen es, ein Modell herunterzuladen und auszuführen. Echte Offenheit umfasst zusätzlich die Datenherkunft, die Trainingsdokumentation, den Code, die Evaluationslogik und nachvollziehbare Korrekturen. Wenn ein Projekt diese Prüfbarkeit ernst nimmt, wird Kritik nicht zum Gegenargument gegen Offenheit, sondern zu ihrem Funktionstest.
 

Warum das Thema nicht nur politisch ist

Viele KI-Debatten drehen sich um Leistung, Rankings und neue Produktfunktionen. Für Unternehmen in der Region sind jedoch andere Fragen oft entscheidender.

- Wo liegen die Daten?
- Welche Rechtsordnung gilt?
- Wer kontrolliert Updates, Preise und Nutzungsbedingungen?
- Welche Kompetenzen bleiben im eigenen Unternehmen?

SOOFI S adressiert genau diese Ebene, weil das Projekt Infrastruktur, Trainingsdaten, Evaluierung und Modellzugang als Teil einer europäischen Fähigkeitsfrage behandelt [Soofi].

Das ist besonders für mittelständische Unternehmen relevant, die konkrete Use-Cases zu lösen haben. Die Anpassbarkeit der Modelle spielt daher eine größere Rolle als die rohe Leistungsfähigkeit im unangepassten Zustand. Genau hierfür braucht es eben nicht zwingend das größte Modell, sondern ein Offenes. Unternehmen brauchen verlässliche Lösungen für konkrete Aufgaben, nachvollziehbare Risiken und Partner, die technische Möglichkeiten in betriebliche Realität übersetzen können.
 

Grenzen und offene Punkte

SOOFI S sollte nicht als fertiger Ersatz für kommerzielle Modelle oder Produkte missverstanden werden. Aktuell fehlen noch größere Modellvarianten und auf spezifische Aufgaben hin optimierte Reasoning und Instruct Modelle.

Für produktive Einführungen und Verwendung bleiben daher aktuell noch mehrere Fragen offen.

- Welche Instruct-Varianten sind stabil genug?
- Welche Lizenzbedingungen gelten für den konkreten Einsatz?
- Welche Hosting-Optionen sind realistisch?
- Welche Evaluationsdaten passen zur eigenen Branche?
- Welche internen Kompetenzen braucht der Betrieb?

Die Benchmark-Korrektur zeigt zudem, dass eigene Evaluationen unverzichtbar bleiben. Ein regionales Unternehmen sollte SOOFI S nicht wegen eines öffentlichen Rankings auswählen. Es sollte prüfen, ob das Modell auf den eigenen Dokumenten, Prozessen, Fachbegriffen und Fehlertoleranzen ausreichend gut funktioniert.
 

Bedeutung für Transfer und Hochschule

Für eine Hochschule ist SOOFI S ein tolles Projekt, weil es Forschung, Anwendung, Infrastruktur und Weiterbildung verbindet. Studierende können daran lernen, dass KI nicht nur Prompting ist und Modelltraining ein hartes technisches Problem darstellt.

Der Nutzen für unsere Region entsteht aus solchen Projekten nicht in Form unmittelbarer Produktivitätsgewinne oder per Pressemitteilung. Transferprojekte können aber hervorragend auf der offenen Architektur und Trainingspipeline aufbauen. So kann unmittelbar daran gearbeitet werden, wie eigene Aufgaben evaluiert und eigene Daten vorbereitet werden müssen.

Der größte Nutzen entsteht, wenn wissenschaftliches Know-how in Unternehmen, Hochschulen und Weiterbildungsformate wandert. SOOFI S ist deshalb weniger als fertige Lösung interessant, sondern bietet konkrete Möglichkeiten, regionale KI-Kompetenz systematisch aufzubauen.

-------

Nächster Artikel: Tool oder Methode der Ausgabe: Qwen3.8-27B

Zurück zur Übersicht KI-Kompass Ausgabe 1